单目深度估计是计算机视觉和深度学习中一个基本、重要的任务,也是一个典型的回归问题,在自动驾驶、场景重建、机器人导航等热门领域都有着广泛的应用。过去的十年见证了深度卷积神经网络在计算机视觉领域的飞速发展,近年来,随着深度卷积神经网络被应用于单目深度估计任务,基于深度学习的方法在单目深度估计任务上表现出了优越的性能。本文就单目深度估计任务及其应用中的损失函数设计和网络结构进行了研究。在基于学习的方法中,损失函数的设计的是否恰当是决定是否可以训练得到高精度、鲁棒、具有强泛化性的深度卷积神经网络的关键。先前的一些工作大都致力于提出一些经过精心设计的手工正则项（例如梯度损失项和法向量损失项）,然而,这些手工设计的正则项需要丰富的域知识和专家经验,并且不能够在所有场景下都起到较好的效果。在本论文中,我们提出了用一个正则项卷积神经网络RN（Regularizer-Net）来对抗式地学习和逼近一个新颖的正则项损失函数。为了验证算法的有效性,本文在单目深度估计公开基准数据集NYU-Depth-v2上进行了实验分析,实验结果表明,本文提出的基于学习得出的正则项损失函数的方法在定量指标分析和定性可视化上,均优于当前行业最先进的算法。此外,本文在Scan Net数据集上进行了泛化性测试（未在Scan Net上进行进一步训练）,我们的方法也表现出了良好的泛化性能。芯片拥塞预测是当代EDA（Electronic Design Automation,电子设计自动化）中的关键步骤,用于预测在芯片设计迭代过程中当前设计下芯片每一个位置的拥塞情况。芯片拥塞预测相当于预测芯片的“深度”,因此,本文将芯片拥塞预测视作单目深度估计算法的应用。传统的拥塞预测方法速度慢、效率低,近两年来随着深度学习方法的兴起,卷积神经网络开始应用于芯片拥塞预测。然而,先前的基于卷积神经网络的工作,均未对损失函数的设计进行深入探讨研究。本文将我们将单目深度估计中的手工设计损失的正则项损失函数以及我们提出的学习得到的正则项损失函数应用于拥塞预测,在行业公开基准数据集ISPD 2011和DAC 2012上进行实验,定量实验结果表明,相关的损失函数正则项均给模型性能带来了提高。此外,基于对芯片中元件连接局部性的观察,我们设计了一个轻便的卷积网络Res Tiny Net,在相较于U-Net在保持模型性能有提高的前提下,参数量减小到U-Net的1/200。