三维探测技术具有广泛的应用价值,在地形获取、自主定位、实景模拟、工业生产等诸多领域具有重要的推广及理论研究意义。作为三维探测技术驱动核心的场景深度信息获取是计算机视觉领域的热门研究课题之一,近年来受到了研究人员的广泛关注。传统深度信息获取方法大多采用基于多视图的双目立体匹配或从运动恢复结构的方式,对输入图像及相机拍摄参数的限制要求较多,提高了深度信息获取的门槛。因此,采用更少场景图像输入、对相机硬件要求低且无需相机标定的单目图像深度估计方法具有极大的研究价值。本文以三维探测中单幅单目图像深度估计方法为研究课题展开研究,主要工作如下:（1）针对室外场景光照条件复杂、成像受不利天气影响较大的特点,提出一种联合场景散焦线索及大气透视深度线索的单目图像深度估计方法,用于改进单一线索的深度估计算法预测精度低、鲁棒性不足的问题。该方法基于散焦图像退化模型及局部一致性假设,估计并传播图像边缘稀疏散焦量,得到散焦深度估计;基于大气散射模型及暗通道先验理论,提取场景透视线索,获取大气透视深度估计。最终建立马尔可夫随机场优化模型,分析对比两种深度估计信息,融合来自不同线索的场景深度估计。在Make 3D数据集上的实验表明,该方法在获得场景完整深度估计的同时,有效避免了图像焦面二义性及模糊纹理二义性造成的深度估计误差,提高了深度估计精度及鲁棒性,与论文选定的对比算法相比,算法精度平均提升10%～13%。（2）针对室内场景物品种类数量繁多、物品间相对位置关系复杂的特点,提出一种结合注意力机制及多尺度特征金字塔模块的神经网络架构,用于改进同类型算法输出深度图场景轮廓不明显、局部深度细节丢失的问题。该方法引入扩张卷积、非局部自注意力机制、空间金字塔池化、跳跃连接（Skip-Connection）等网络部件,不仅提升了深度估计的精度,而且增强了模型对输入图像全局上下文信息的提取能力,使输出深度图富含场景局部细节信息。此外,还提出一种结合场景结构一致性的深度估计损失函数,不仅通过最小化深度值差异来优化深度估计精度,同时对预测深度图中图像高频细节失真施加惩罚,确保输出深度图能够保持良好的边缘细节。在NYU-Depth V2数据集上的实验表明,相较于同类基于深度学习的深度估计方法,该方法在深度估计性能上具有一定的优势,与论文选定的对比算法相比,深度估计误差平均降低约6%,精度提升约3%;此外,算法生成的预测深度图具有良好的视觉效果,场景轮廓清晰,局部深度细节丰富。（3）针对嵌入式硬件平台功率低、可移动性好、扩展性高等特点,本文还深入研究适用于嵌入式移动平台的快速单目深度估计算法。具体的,在当前已有算法的基础上优化模型结构、削减模型参数量、提高模型推理效率,解决嵌入式设备无法满足神经网络模型实时深度估计的问题。该方法选用了更加紧凑的网络架构设计,删除了用于优化模型性能的不必要附加网络模块。实验表明,该方法在略微牺牲模型深度估计精度的同时,有效缩减了模型参数规模,使之能够运行在硬件资源受限的嵌入式平台实现实时单目深度估计,突破了功率和能耗限制,实现了在30W功率下每秒33帧的处理速度,能够满足特殊环境下的应用需求。