在自动驾驶领域，稀疏深度图的密集化是重要研究课题，对3D重建和3D目标检测等任务具有突出意义。提出一种新颖的深度补全框架SFN-D。该框架基于多模态数据融合和语义分割设计，利用多模态数据各自的优势来补充稀疏深度图中的缺失深度，从而有效补充稀疏深度图。为了实现这一目标，采取一种借助传感器标定进行数据转换从而实现多模态数据融合和深度图修正的方案，该框架融合了来自图像和激光雷达的特征图，可与现有任何优秀的点云语义分割网络和图片分割网络相适配，无需任何专家知识且能够开放性的实现稀疏深度图的深度补全。使用自动驾驶领域中广泛使用的KITTI Depth Compeletion数据集与相似深度补全方法评估了SFN-D，实验结果表明与其他深度补全方法相比，SFN-D有效且有更高的精度。