近年来,人工智能的快速发展改变了人们的生活。许多人工智能相关技术如无人驾驶、智能机器人等需要依赖物体的深度信息,因此深度估计成为了计算机视觉领域一大热点问题。其中,单目图像深度估计算法具有采集设备成本低且适用性高的优势,是目前深度估计算法的重点研究领域。本文主要研究了基于深度学习的单目图像深度估计算法,有效提高了深度图像的精度。主要研究工作如下:（1）总结了图像深度估计的研究背景以及意义,并概述了国内外图像深度估计算法的发展现状。介绍了深度估计的网络结构、几何基础以及常用数据集,为本文算法的研究和实验分析奠定了基础。（2）针对室内复杂场景深度估计预测不准确且边缘模糊的问题,本文采用监督学习的方法,提出了基于多尺度注意力导向网络的深度估计算法。算法首先设计了一个端到端的编码器-解码器模型,编码器以多个尺度进行特征提取。为了保证更好的深度连续性,解码器结合残差学习以及通道注意力融合,对提取的多尺度特征逐步优化细节以及场景结构。考虑到多次下采样导致深度图细节的丢失,设计了边界增强模块,通过引入空间注意力,提升不同物体的类间对比度以增强图像的边界细节。实验结果表明,在NYU-Depth-v2室内图像数据集上,该算法生成的深度图像相较于目前主流的Hu算法,在均方根误差RMSE指标上降低了约2.1%,并且表现出更细致的物体边缘轮廓。（3）针对室外场景的真实深度信息较难获取的问题,本文采用自监督学习的方法,提出了基于稠密特征融合的自监督深度估计算法。算法框架包括深度估计网络和位姿估计网络两部分,通过将两个网络分别生成的深度图和位姿向量利用相机模型原理合成出重建帧,比较重建帧与原始帧的相似性以此作为损失函数训练网络。此外,算法设计了注意力特征融合层以及对应层级的稠密连接,增加了对上下文信息的有效利用,改善了复杂路况下深度预测精度不高的问题。实验结果表明,在KITTI室外图像数据集上,该算法生成的深度图像相较于目前主流的Godard算法,在均方根误差RMSE指标上降低了约3%,且训练过程无需依赖真实深度图,实用性更高。