从二维图像获取场景中的深度信息对三维场景感知极为重要,深度图包含场景的三维结构信息,被广泛应用于三维重建、机器人视觉以及智能驾驶等诸多计算机视觉任务。传统方法大多采用双目或多目相机通过立体匹配技术来获取场景的深度信息,但是存在计算过程复杂、相机拍摄范围不足以及应用场景有限等问题。随着卷积神经网络的兴起,基于深度学习的单目深度估计受到了越来越多的关注。由于物体遮挡引起深度梯度的剧烈变化以及现有模型特征提取不充分,导致预测出的深度图出现尺度模糊、物体边缘不清晰等现象。此外,复杂的网络模型难以部署到资源受限的设备上。本文从优化特征提取和压缩模型体积角度出发,对上述问题进行深刻研究并提出相应的解决方案,主要工作与创新如下:在单目深度估计领域,特征融合方法通过引入低层的视觉线索能够有效提升网络对物体深度边缘的定位能力,但是简单的特征融合会弱化显著特征并且产生冗余信息。针对该问题,本文首先基于Non-Local和通道注意力设计了三种形式的注意力机制,提升编码网络对不同尺度特征的辨别能力,同时抑制冗余信息对模型造成的不良干扰,然后进行多尺度特征融合,使浅层的局部特征和深层的全局特征进行信息互补。此外,本文在解码网络中设计了像素重组模块（Pixel-Shuffle Block,PSB）和递归优化模块,使网络在预测深度图的过程中学习更加细粒度的深度信息。在NYU Depth V2和KITTI数据集上的实验结果表明,本方法预测深度图的准确性进一步提高,预测的物体轮廓细节更加清晰。本文提出的多尺度特征融合方法虽然提高了模型精度,但由于网络结构复杂以及参数量较大,使其不能很好的部署到资源受限的设备上。针对该问题,首先,本文搭建了一种轻量化的单目深度估计网络,设计了全局纹理模块（Global Context Block,GCB）让网络更加关注图像中的纹理信息,从而提高该网络的基线性能。然后,使用知识蒸馏策略将多尺度特征融合网络所学知识迁移到轻量化网络上,针对网络结构的不同位置进行知识蒸馏,分别提出基于中间层的结构蒸馏和基于输出层的目标蒸馏。其次,引入视觉Transformer（Vision Transformer,ViT）对轻量化网络提取到的最终特征进行全局信息处理,设计一种分类的方法来解决网络预测任务。实验结果表明,最终模型在有效性和实时性等方面都取得了不错效果。