根据单张图像估计深度信息是计算机视觉领域的经典问题,也是一项具有挑战的难题。在传统的计算机视觉中,由于单目图像的尺度不确定性,导致根据单目图像无法计算深度值,仅能通过双目图像计算出稀疏深度值。目前,基于深度学习技术的单目深度估计方法成为了研究热点。基于监督学习的单目深度估计方法通常需要依赖大量的真实深度标签用于模型训练,然而获取真实深度的成本是非常高昂的。基于无监督学习的单目深度估计通常根据双目图像之间的图像重建损失监督网络模型训练,不需要依赖深度真值。针对基于监督学习的单目深度估计方法需要依赖真实深度值的问题,本文研究了基于无监督学习的单目深度估计方法,主要工作如下:首先,针对单目图像中无效特征影响模型优化和反卷积导致的棋盘效应,提出了基于SR-BINet编码器-解码器网络的无监督单目深度估计方法。首先,SR-BINet网络的编码器对每层特征增加了可学习的权重,在网络训练时增大有效特征映射的权重,减小无效或者效果小的特征映射的权重。因此,SR-BINet网络的编码器能够更加高效地提取有效特征,同时去除图像中无效特征的干扰,使得网络模型更易收敛。其次,SR-BINet网络的解码器通过先进行双线性插值再进行卷积的方式,预测出与输入图像同分辨率的视差值,能够消除反卷积带来的棋盘效应的影响。其次,针对无监督单目深度估计中双目图像重建过程存在的遮挡问题,提出了自适应左右一致性约束,用于降低遮挡区域对模型优化的影响。在双目图像重建过程中,遮挡区域和非共有区域的图像重建误差较大,而共有区域的重建误差较小,在计算左右一致性损失时需要区分这两种区域。因此,本文提出了自适应左右一致性约束,能够平衡遮挡和非遮挡区域的误差分布。通过使用L2范数计算图像重建的全局平均误差,并设计了 一种单像素误差相对全局平均误差的权重计算方式。该权重的计算和图像重建误差相关联,能够根据误差的大小自适应计算权重,平衡了两种误差的分布,从而降低了遮挡区域对模型优化的影响。最后,本文在KITTI数据集上进行实验,详细地描述了实验环境、参数设置和实验结果,并和其他单目深度估计方法进行对比,实验结果证明了本文提出的两种无监督单目深度估计方法能够提高单目深度估计的准确率。