随着摄像头成本的降低,视觉感知在许多领域广泛应用,如自动驾驶,智能机器人、人脸识别等。视觉感知能够获取丰富的色彩、纹理、几何和语义等图像信息,是场景理解的有效手段。深度估计和语义分割分别作为获取环境几何和语义信息的方法,长期以来都是场景理解的研究重点。随着深度学习的迅猛发展,单目深度估计、语义分割的性能取得了长足进步,但仍存在一些问题亟待解决,如现有的单目深度估计算法预测的深度图存在边界扭曲,模糊现象等问题,基于卷积神经网络训练的语义分割模型大多性能优异,但当应用到新的领域,尤其从合成数据应用到真实数据时,存在域偏移问题。因此,本文分别针对这两个研究领域的上述问题做出研究,工作内容如下:首先,针对目前单目深度估计算法预测的深度图空间分辨率有损失、边界扭曲和模糊重建等问题,本文提出了特征增强的单目深度估计网络,该网络中的多尺度特征融合模块、深度注意力模块和深度细化模块能够有效地融合多尺度特征和细节信息等,实现更精细的深度预测。在NYU Depth V2数据集和真实世界环境中的定性和定量实验结果表明,所提方法比Monodepth2等经典算法具有更高的精度。其次,针对语义分割算法的域偏移问题,本文提出了一个深度与语义特征相关联的域适应算法,它有效地融合深度信息提高语义分割性能。具体来说,利用本文提出的特征增强的单目深度估计网络提供深度伪真值,结合两个注意力模块来捕获深度和语义之间的相互关系,并将在源域学习到的相关性共享传输到目标域,使用源域和目标深度解码器的深度预测差异来近似像素级自适应难度,以此约束跨域的不确定性。该算法在GTA5至Cityscapes上可达到56.7%的平均交并比,高于对比的CPSL等新近域适应语义分割算法,这验证了本文算法的有效性。