图像深度估计是计算机理解与重建三维图像空间信息的关键技术,是人工智能技术以及智能采摘设备在现实场景中应用的研究热点。然而,单目图像的深度估计是具有高复杂度的病态任务,所以传统估计算法实现难度较高且发展速度较慢。随着深度学习技术在图像处理领域的不断突破,本文通过设计深度神经网络模型以端到端地感知图像中物体的具体特征,从而预测图像每个像素表示的空间距离,同时设计先进的模型损失与感知模块,最终在多种场景下图像深度估计数据集上同时从精度和视觉效果上均达到了目前较先进的水平。首先,本文针对室内场景设计了基于迁移学习的编、解码器的图像深度估计模型,为解决模型上采样过程中特征融合造成的信息损失问题,提出了三种迁移特征增强的模块以进一步提升模型的精度与效率。通过设计实验对比不同迁移模型在深度估计任务中的表现,验证Xception模型作为全局框架编码器的优越性,通过冻结迁移模型的参数,编码器可以获得大规模图像任务训练得到的有效知识先验,这不仅减少了模型训练参数,也为模型在实际场景中应用提供了极大地便捷。其次,针对室外场景本文结合目前大热的特征金字塔模块与通道注意力机制,设计了端到端可训练的高效架构,从知识增强、特征提取以及特征多尺度三个主要步骤对全局架构提升到目前较先进的水平。同时,提出深度图平滑损失与尺度一致性损失函数提升了预测结果的高频细节,并优化训练过程中参数收敛速度。经过大量的实验对比,本文设计的方法分别在室内、外场景数据集NYU V2与KITTI中均达到了目前较好的估计精度,在均方误差、阈值精度等指标上和目前表现良好的单目图像深度估计技术相比,本文所提出的方法具有更好的效果和鲁棒性,为后续智能采摘设备提供了有利的技术基础。