图像的深度估计一直是计算机视觉领域中一个重要的问题。在智能机器人、语义理解、3D场景重构和自动驾驶等方面都有着极其重要的应用。其中,从单幅图像中获取深度信息最为困难,因为不同的三维场景可以形成相似的二维图像,人类可以根据丰富的先验知识准确地判断单幅图像的深度信息,但是这对于计算机来说是很困难的。近年来,神经网络被越来越多地应用于单幅图像深度估计领域,学者们提出了大量基于神经网络的方法。相较于传统方法,基于神经网络的方法可以得到更准确的深度估计,但其结果与真实深度图依然存在较大差距。首先,本文对单幅图像深度估计领域的国内外研究现状进行了研究与分析,发现现有的大部分单幅图像深度估计方法对于原始图像中物体的边缘信息都不能给出较为清晰的深度表示。因此,本文提出了一种基于残差稠密网络的单幅图像深度估计方法。通过将残差稠密模块引入到具有跳跃连接的编码器-解码器结构,提出了一种适用于单幅图像深度估计的残差稠密网络。同时使用双目立体图像对,实现网络的自监督训练。通过引入残差稠密模块,整个网络可以更好地获取图像的局部特征,使该方法对于物体边缘信息的提取能力得到提高。然后,通过对基于神经网络的单幅图像深度估计方法的深度估计图进行研究,发现大部分网络模型对于图像中深度梯度较小区域的特征提取能力较低,从而影响深度估计结果的准确性。因此本文提出了一种结合深层聚合的单幅图像深度估计方法。根据深层聚合理论提出了深层聚合网络,并使用深层聚合网络提高残差稠密网络高维特征的提取能力,使网络表现出对于深度梯度域的高敏感性,从而提高了该方法对于深度梯度较小区域的深度估计准确性。最后,使用KITTI数据集对本文的网络进行训练和测试,通过对比发现,本文方法可以得到优于现有的大部分方法的准确率和误差值,从而证明了本文所提出的单幅图像深度估计方法的有效性和优异性。