单目深度预测是近年来计算机视觉领域的研究热点问题。从单目图像中获取深度信息是理解场景几何关系的重要方法,也是三维重建和视点合成的关键性技术。相对于双目以及多视点图像深度预测的多因素监督,单目深度预测更具有挑战性。为了提高深度预测的准确性和泛化性能,利用卷积深度学习网络开展了三个方面的研究工作:（1）针对预测深度图像中几何形状不准确以及边缘模糊的问题,提出了基于多尺度结构相似度和梯度匹配的单目深度预测算法,利用多尺度结构相似度损失和尺度不变梯度匹配损失组成联合损失,对相对深度点对进行排序实现单目深度预测。数值实验和主观评测结果表明,获得的单目深度图具有更加准确的几何形状,深度不连续处的边缘也更加清晰,结果更具鲁棒性,并具有一定的泛化性能。（2）针对现有单目深度预测网络因缺乏特征通道之间的相互联系,导致捕捉图像中深度信息不充分和不准确的问题,提出了基于拆分注意力机制的单目深度网络预测算法,通过对特征图通道添加注意力机制来提高特征图跨组之间的联系,进一步增强特征图之间的交互和特征图的表示,以此提升捕获深度信息的能力,从而进一步提高对单目图像深度估计的准确性和泛化能力。（3）由于球面全景图具有环境的完整视野,并且提供相对完整的场景描述,因此具有产生更准确、完整和比例一致的场景重建的潜力。本文利用前面的算法进行工程应用,基于第四章优化的深度预测网络,对单目球形全景图进行分区域深度预测,并对生成的粗糙深度预测结果进行后处理,得到准确且不失真的球形全景深度预测图。