景深信息、相机运动信息和相机的内参对于工业控制、自动驾驶和机器人等领域应用至关重要。随着人工智能技术的发展和大型公开数据集的建立,使用有监督或无监督的深度神经网络获取景深信息的技术已经非常成熟。然而,这些方法虽然具有很高的性能,但是包括无监督方法在内的大多数方法都需要输入相机内参,而内参的获取需要进行相机标定。本文提出了EvisionNet,这是一种无监督深度学习模型,以单目相机拍摄的连续帧为输入,输出每一帧的深度图、拍摄过程中相机的运动和相机的内参。内参预测的功能使得EvisionNet能够从未知来源的任意视频中提取精确的相机运动和景深信息而无需进行相机标定。本文提出的EvisionNet主要由两个编码器-解码器结构的子网络组成:用于景深预测的DepthNet和用于输出置信度掩码的MotionNet。置信度掩码用于在损失函数的计算中抑制由场景运动、遮挡和其他因素引起的不可信像素的影响。用于相机运动和内参预测的子网络与MotionNet共享编码器。本文提出了基于重投影损失的联合损失函数对所有模型同步进行无监督训练,并给出了确保训练有效的必要条件。在开放数据集上的实验证明了本文方法的有效性。EvisionNet的景深预测性能与有监督方法的表现接近,相机运动预测的性能优于参与对比的其他深度模型和使用了全局信息并进行闭环检测的方法。实验还证明了EvisionNet从单目图像序列中可以学习到相机内参。