深度估计可以显著地提高各种机器视觉任务的决策能力,对理解和解析现实场景结构具有重要的意义。同时,环境因素是应用研究不能忽略的问题,在雾霾环境中,浑浊的介质使光线发生严重散射,导致雾霾图像对比度降低和色彩失真。图像的全局场景和局部结构都由于雾霾的遮挡而模糊不清,往往存在特征丢失的问题,对雾霾环境下的深度估计研究产生了严重的影响。使用清晰图像训练的深度估计模型难以适用于雾霾图像,无法有效地在雾霾环境下进行深度估计。本文在对现有深度估计方法进行深入分析的基础上,结合雾霾图像自身的特点,对雾霾环境下的深度估计进行研究。通过分析大气散射模型得出雾霾图像的直接传输率图包含场景的深度信息和结构信息。利用条件生成对抗网络从雾霾图像中提取直接传输率图,并通过对抗学习完成直接传输率图到预测深度图的映射。本文主要贡献如下:（1）针对雾霾环境中图像降质导致的传统深度估计模型退化问题,结合雾霾图像的成像原理,提出了基于条件生成对抗网络的雾霾图像深度估计模型。（2）提出了融合双注意力机制的密集连接网络作为本文的生成器结构。使用密集连接和跳跃连接提取直接传输率图的深度特征,并通过注意力机制加强图像空间特征和通道特征的全局依赖关系,以获取保持良好场景结构和边缘轮廓的预测深度图。（3）提出了梯度融合鉴别器。通过将图像的梯度作为先验知识和约束条件集成到对抗学习中,增强生成器对直接传输率图结构特征的提取能力。（4）提出了新的结构保持损失函数。将像素损失、对抗损失、感知损失和梯度损失融合为多分量损失函数,利用图像梯度信息和高级语义特征来约束生成器生成边缘轮廓清晰的预测深度图。实验在室内数据集NYU Depth v2和室外数据集Diode进行模型训练和测试。针对不同的模型结构进行了消融实验,证明了本文提出的生成器网络、梯度融合策略和结构保持损失函数的有效性。并且通过与其他方法的对比实验,证明了本文方法的优越性。实验表明,在雾霾环境中,本文方法的定性结果在室内和室外数据集上均具有更精细的几何结构和更丰富的局部细节;定量结果也表明了本文预测结果具有更低的误差和更高的精确度,证明了本文深度估计模型在雾霾干扰下的准确性和泛化能力。