在计算机视觉领域,通过单目图像进行三维场景的深度估计一直是一个极具挑战性的问题。单目深度估计的目的是获取3D场景中物体表面位置与相机平面之间的垂直距离信息,该技术广泛应用于三维重建、场景感知、增强现实等领域。随着计算机数字图像处理技术和深度学习技术的快速发展,单目深度估计算法主要可以分为基于传统的机器学习方法、有监督深度学习方法和无监督深度学习方法。近年来,针对计算机视觉单目深度估计研究领域,深度学习方法取得了显著成果,然而为特定任务通过人工不断验证和优化网络模型参数的方法,需要花费大量的时间和精力,这对人工设计网络模型的技术提出了更高的要求,需要设计人员掌握丰富的深度估计相关的网络模型设计经验。面对日益复杂的网络模型结构,依靠人工设计网络模型变得越来越困难。基于此,本文通过研究神经网络架构搜索技术（Neural Architecture Search,NAS）,实现自动构建并优化单目深度估计网络模型。基于神经网络架构搜索方法自动构建网络模型主要可以分为三个步骤:首先是设计网络架构搜索空间;其次是根据相应的搜索空间确定搜索网络模型的搜索策略;最后是对搜索到的网络模型进行性能评估,迭代循环直至搜索到最优的网络模型为止。网络架构搜索策略可以在预设的网络模型搜索空间中不断对网络模型进行迭代优化更新。性能评估策略用于对搜索到的网络模型进行定量的性能评估,通常使用连续可微的损失函数,以便通过反向梯度传播法对搜索策略进行优化。本文研究方向为基于神经网络架构搜索技术的单目图像深度估计,研究内容主要包括以下三个方面:（1）本文研究了基于人工设计的单目深度估计网络模型算法,以及近年来常用的神经网络架构搜索技术,并从搜索空间、搜索策略和性能评估三个方面分析了现有的典型神经网络架构搜索方法的优缺点,为下一步将神经网络架构搜索技术应用于单目深度估计奠定了理论基础。（2）本文提出了一种基于神经网络架构搜索的单目深度估计网络模型。其原理是通过神经网络架构搜索技术分别构建Network级和Cell级网络架构搜索空间,利用可微分搜索（Differentiable Architecture Search,DARTS）算法动态搜索优化网络架构参数,得到最优的单目深度估计2D卷积网络模型。最后分别在Scene Flow、KITTI和NYU数据集上进行对比实验,分析并验证在单目深度估计领域通过神经网络架构搜索技术可以实现网络模型训练速度和单目估计精度两方面性能提升。（3）针对当前2D卷积网络模型提取深度特征信息性能不佳的问题,本文结合深度卷积网络多层级的尺度特征提取技术提出了一种基于3D网络架构搜索的单目深度估计网络模型。具体来说,本文将单目图像提取的2D多层级尺度特征构建成3D特征体,并使用三维卷积核和网络架构搜索技术自动构建单目深度估计3D网络模型。同时,针对网络模型深度层数加深导致梯度收敛速度明显变慢的现象,本文采用网络层的跳跃连接方式对网络架构进行优化。最后,分别在Scene Flow、KITTI和NYU数据集上进行实验分析,验证了本文提出的基于3D网络架构搜索的单目深度估计网络模型的可行性和有效性。