深度估计信息对于自主系统感知环境和估计自身状态非常重要。随着人工智能技术的不断发展,从图像中估计场景深度已经取得了巨大的研究进展。近年来,基于深度神经网络的单目图像深度估计研究成为热点,它们使用深度采集设备进行有监督训练或者利用立体图像对进行无监督训练,从而估计出场景的深度。然而,监督学习深度估计方式由于数据的采集即耗时又昂贵,且相对于相机视图特征信息也是稀疏,而无监督深度估计的精度受到立体重建精度的限制。为了解决上述难题,本文首先提出了一种基于图像重建的深层卷积网络模型进行单张彩色图像的深度估计。一方面利用深层卷积网络的深度特征信息提取能力对彩色图像进行深度估计,并将真实深度标签作为监督信号的约束,另一方面利用立体视觉原理,将深度估计问题转为图像重建问题来当作无监督信号约束。这种半监督学习方式的深度估计网络模型在保证深度估计精确的同时,也降低了网络训练时对真实深度图标签中像素的完整性与稠密性的要求。其次,为了解决网络模型估计出的深度图像局部存在细节特征模糊、不平滑以及轮廓不清晰的问题,在基于图像重建的深层卷积网络模型的基础上,提出联合注意力机制与多尺度空间的深层卷积网络模型。设计出了一种新的注意力机制与深层卷积网络进行融合,在图像特征信息提取的过程中关注感兴趣的区域,并且引入多尺度空洞卷积对图像获取更多的特征信息,从而估计出的深度图局部细节更加明显,使得最终的深度估计网络得到更加清晰的深度图。在实验阶段,选取KITTI数据集和室内外数据集以及肠道图像进行网络模型验证,同时与现有的主流深度估计算法进行对比,上述深度估计网络模型在成像效果和评价指标方面具有一定的优越性。