在计算机视觉领域中,深度估计与三维重建是重要的研究方向,其关键是从图像中恢复出目标到摄像机的距离。本文主要研究灰度图像中目标距离的恢复问题,并从可见光灰度图像与红外灰度图像两个方面展开研究。首先,对于可见光图像,利用有监督学习的方法进行单目图像深度估计。引入一种新颖的上采样层,实现了该上采样层的插入操作细节。本文采取全卷积神经网络的架构构造模型,其包含编码器网络与解码器网络两部分:使用残差神经网络作为编码器网络提取图像的特征,再使用上采样层构造解码器网络逐步将该特征的尺寸增大,从而输出预测的深度图。在此基础上,本文提出U型全卷积残差网络和全卷积扩张残差网络两种模型,并将模型用于在灰度单通道图像上恢复目标的距离信息。本文的U型全卷积残差网络使用跳跃连接将模型中靠近输入端的特征与靠近输出端的特征进行级联,这种跳跃式的连接既能融合上下文特征、保留更多的边缘信息,又加强了信息的传递、加快网络收敛;而全卷积扩张残差网络则引入扩张残差网络作为编码器网络来提取图像特征,在不增加权重参数个数而且不损失特征尺寸的情况下,依然保持后续网络层中神经元的感受野大小,从而提取包含更多空间信息的特征传递给后续的上采样层,让模型更好地学习从像素到真实深度值的映射关系,增强了模型的拟合能力。其次,在NYU Depth Dataset V2数据集上对模型进行评估与分析,表明本文提出的方法能够有效地从单幅可见光图像中恢复出深度信息,并且在准确率和误差的指标上优于部分主流的方法。然后,将模型用于灰度单通道图像中目标距离的恢复问题,通过实验验证了模型恢复目标距离的有效性。最后,用热像仪对同一目标在不同距离下采集得到其红外图像序列,并记录目标的真实距离。利用二值化、形态学的开运算、闭运算以及连通域的计算,实现了红外灰度图像的目标检测算法,并利用图像坐标系与路面坐标系之间的几何关系实现了红外图像目标的单目视觉测距方法。实验结果表明,在前方目标距离为7.5米到15米时,可以检测出目标,且其距离预测结果的相对误差在11%以内。