单目图像深度估计是计算机视觉领域中不可或缺的研究课题。本文对单目图像深度估计技术进行深入研究,主要目的是从单目相机获取的彩色图像中预测图像相对于相机的距离信息,即估计图像的深度信息。针对目前存在的单目图像深度估计算法泛化能力差、图像深度预测的精度较低两个主要问题,提出两种基于深度学习的单目图像深度估计算法,在室内和室外两种环境下都得到了更为精确的深度预测图。最后将本文所提出的算法应用于三维室内场景重建中,成功实现了二维图像到三维场景的转换。本文主要的研究成果和创新点如下:1、提出一种基于特征增强的全卷积残差网络。首先,引入特征金字塔结构来复用从下采样与上采样的结果中得到的多尺度特征图。通过融合图像的多尺度信息,使深度预测图的还原度更高。其次,将经由高通滤波器提取出的图像的高频信息与全卷积网络中的上采样结果进行融合,进一步减小了预测误差,提高了精度。此外,对纽约大学数据集中的原始数据进行数据集扩充,生成大规模的数据来训练和测试网络。实验结果表明该算法显著提升了深度估计图的质量。2、提出一种基于扩张卷积的特征增强全卷积残差网络。该算法结合能够保持特征图大小和分辨率不变的扩张卷积,有效扩大卷积操作的感受野。同时,采用跳变连接的方式形成网络的特征金字塔结构,进一步提升网络预测精度。实验结果表明在室外大尺度场景下该算法能够显著提升最终预测出的深度图的质量。3、提出将本文提出的单目深度估计算法应用于三维场景重建。构建基于单目图像深度估计算法的室内场景三维重建系统,进一步弥补了传统三维重建算法在图像纹理少和摄像头在纯旋转过程中重建场景的不足,最终重新构建出可靠度和还原度更高的三维场景。