深度估计是计算机视觉领域的重要方向之一,它使计算机可以通过二维图像估计出场景的深度信息。同时,卷积神经网络具有强大的图像特征提取和函数拟合能力,将卷积神经网络应用于场景的深度估计问题取得了良好的效果。可是目前基于卷积神经网络的深度估计方法仍存在一些问题。一方面,基于卷积神经网络的深度估计问题都是数据驱动模型,即使能获取到充足的深度数据,大部分数据也不能直接使用,例如Kinect拍摄的深度图由于硬件条件限制,在原始深度图上会存在很多深度无效的空洞。另一方面,虽然把深度神经网络应用于深度估计问题取得了相当不错的效果,但是其中的一些原理却没有被解释清楚。心理学的研究证明,存在一些单目深度线索,例如视差,阴影,透视,物体表面法线方向等,这些深度视觉线索是人进行单目深度估计的依据。针对上述问题,本为围绕基于卷积神经网络的单目深度估计做了一系列研究。本文具体研究内容如下:第一,针对Kinect拍摄到的原始深度图中存在空洞的问题,本文提出了一种基于卷积神经网络的Kinect深度图空洞修复方法,该方法先使用直接屏蔽掉深度空洞区域的深度图作为监督信息训练一个单目深度估计模型,然后用此模型的深度估计结果对原有的深度图中的空洞进行填充修复,然后再结合滤波算法使深度图修复效果更加自然。第二,为了提高卷积神经网络估计深度信息的能力,本文将表面法线方向这一视觉线索引入到单目深度估计网络中去。本文在单目深度估计模型的基础上进行改进,提出了一个使用单张RGB图片估计场景表面法线方向的网络。然后设计了一种从粗糙到精细的级联的深度估计网络,从中显式引入了表面法线方向这一线索。通过与前人的比较发现:本文的Kinect深度图修复方法在修复大面积的深度图空洞的时候优势明显,而且这个方法针对大面积空洞,用“深度”补“深度”的解决思路决定了修复精度主要取决于深度估计模型本身的精度,这里如果换用其它效果更好的深度估计模型会达到更好的效果。本文提出的引入表面法线信息的级联的深度估计网络结构在预测精度上也有不错的表现。