在计算机视觉领域中,深度估计是重要的研究方向之一,其目的是从图像中恢复出场景中物体距离相机的距离。针对道路场景的深度估计对行人检测、自动驾驶等研究方向有极大的辅助作用。本文主要研究基于无监督学习的单目图像深度估计,并且对直接法视觉里程计进行改进,进一步提高了深度估计精度。首先,本文使用全卷积神经网络进行单目图像深度估计。全卷积神经网络模型包含编码器与解码器两部分:编码器部分使用残差网络提取图像特征,解码器网络使用扩张残差网络整合图像特征并且使用上采样层逐级扩大网络层尺寸,最终输出估计的深度图。本文使用多尺度全卷积神经网络,能够同时提取彩色图像的全局特征与局部特征同时输出细节精细的估计深度图。然后,本文使用图像重投影误差和图像平滑误差的加权相加作为神经网络训练损失函数。图像重投影过程可以将估计深度相似度误差转化为图像相似度误差,是无监督学习的基础。图像平滑误差利用先验知识,有效地避免了估计深度过拟合问题,使得获得的深度图细节分明并且清晰平滑。本文使用交叉验证法进行权重系数的选择,使用交叉验证法可以较快的获得合适的超参数,最终的实验证明重投影误差权重在0.95时可以取得最好的效果。其次,本文提出了改进的直接角度计算法。针对单目无监督学习中需要估计帧间相机位姿变换和场景中的底纹理区域、移动车辆等物体对相机位姿计算干扰极大等特点,本文提出了改进的直接角度计算法。本文首先比较前后帧的像素变化大小,计算得到图像中的底纹理区域和移动物体区域蒙版,通过将图像遮罩应用在直接法计算过程中的雅克比矩阵中,实现了更高的位姿估计精度,最终获得了更高的深度估计精度。最后,通过使用KITTI测试数据集对网络模型的输出结果分析与评估。本文使用的算法可以有效地从输出彩色图像中恢复出对应场景的深度图,而且在深度估计准确度等多个指标上优于部分主流的单目深度估计算法。最终通过对比设定的两个对比组,本文提出的改进的直接法视觉里程计和深度图准确度明显高于经典的直接视觉里程计法。