深度估计作为当前计算机视觉应用领域的重点研究课题,主要目的是从图片中还原出场景中的物体距离相机的实际距离。针对图像深度估计中出现的深度图局部细节缺失、边缘模糊以及结果准确度较低的问题,分别对单目和双目的深度估计算法展开了深入研究。在深度学习中,由于监督学习法的监督信号是基于图像的地面真实值,数据不易采集,适用性较低,因此使用无监督方法对模型进行训练。为获取更清晰的深度结果图,在单目图像深度估计方法中,通过编码-解码网络提取多尺度图像特征,为了对提取到的图像特征进行深入解析,在解码网络中加入多尺度注意力融合模块,以此获取更多的上下文信息以及各特征通道之间的联系,最后通过引用多尺度损失函数提升模型的估计结果。为提高网络模型的匹配速度与匹配精度,在双目深度估计方法中通过孪生网络结构提取图像特征,使用正则化的方法对匹配代价进行聚合,通过信息熵模块的应用使视差计算的效果更加准确,最后设计了包含像素级损失与特征损失的多度量损失函数来进一步提高模型的匹配精度。为了检验提出的改进模型的有效性,分别在KITTI数据集和Scene Flow数据集上进行训练和实验。从实验结果可以看出基于多尺度注意力机制的单目图像深度估计可以显著降低实验误差和提高在一定阈值范围内的准确率。基于多度量损失的双目深度估计算法相较于其他算法参数的数量更少,匹配过程中的端点误差以及像素级误差更低,图像匹配所需时间更少。通过实验的对比分析可以得出本文提出的算法在复杂场景中能够充分提取图像中的全局信息,对于图像中的远距离物体依然有良好的效果,输出的深度图具有更小的误差和更高的准确度,相较于其他算法更加的高效。