近年来,图像的深度预测研究在智能设备的研究中以及日常生活中都是必不可少的一部分,也在计算机视觉领域发展中占据着重要的地位。本文对现有的单幅图像深度预测做了深入细致的研究,基于传统方法的单幅或多幅图像的深度预测方法都有一定的缺陷,而目前较为流行的基于深度学习的方法,尽管其深度预测结果有很好的精确度,但是在粉尘环境中颗粒物的影响下,采集到的图像会有一定的像素失真,因而会间接导致预测结果精度变低。所以这些方法也不能有效预测粉尘图像的深度。如果使用去粉尘算法处理粉尘图像后进行深度预测,不仅无法有效提高预测精度,而且实现过程复杂。为此,本文将稀疏深度采样的结果作为粉尘图像的稀疏特征,提出了一种使用稀疏特征学习的粉尘图像深度预测方法。本文整体的网络结构为编码器-解码器,以粉尘图像和稀疏深度样本作为输入,避免了单独使用RGB图像造成的准确率不高的情况。稀疏深度样本使用以大气散射模型为原理的网络进行提取,相较于使用激光雷达可以节省成本。并且根据输入图像特点的不同,采用了不同的网络分支对输入图像进行编码,获取高层次的特征信息,最后使用后期融合的方式送入解码器。其中,为了能够有效的提取特征信息,两个分支分别使用Res Net网络和稀疏卷积网络,因为Res Net的残差块结构能够有效避免梯度消失。在进行多次实验后,由于可视化效果还有提升空间,本文用含有密集连接块的Dense Net网络代替Res Net网络实现编码,并且在密集连接网络中加入注意力机制来提高通道上和空间上有用信息的权重,这样可以更好的传递特征信息。本文的主要工作如下:（1）提出新的稀疏深度采样方式。首先利用大气散射模型设计预估计深度网络,得到初步的深度估计结果,之后,使用颜色衰减先验和暗通道先验原理从预估计深度图中获取较为准确的稀疏深度样本作为稀疏特征。（2）提出以编码器-解码器为基础的深度预测网络的模型框架。在网络中,编码部分的粉尘图像用Res Net网络提取特征。稀疏特征使用稀疏卷积网络提取特征,并且在改进的实验中使用含有基于注意力机制的密集连接块代替Res Net网络,稀疏特征在经过稀疏卷积网络后使用通道注意力机制,使得有效的特征图权重更大,无效或效果小的特征图权重更小。最后将两个分支的输出通道融合作为解码器的输入。解码器的网络应用多尺度上采样方法和双立方上采样操作进行。（3）提出融合损失函数。实验中使用了最小绝对值损失和交并比损失函数,交并比损失目前应用于目标检测和图像分割中,它能够很好地反映边界重合度。本文所设计的网络结构相比现有方法更合理有效,其中稀疏特征提取方式相较于现有的先进方法对粉尘图像更具有针对性,提出的融合损失函数有效降低了训练误差。实验结果表明,本方法对粉尘图像的深度预测视觉效果更好,结果更准确。