对单幅图像进行深度估计，从而恢复场景的三维结构信息，有助于我们探测目标位置、进一步理解场景。热像仪通过探测目标场景的热辐射将场景温度信息以图像形式显示，对热成像进行深度估计，重建场景的三维温度场，在故障诊断、热目标探测以及夜视导航等领域具有重要意义。然而，由于红外热像存在纹理细节少、对比度低、噪声大等缺陷，使得深度估计难度加大，进而导致红外热像深度估计领域的研究十分困难。本文深入研究了红外热像深度估计问题，提出使用非参模型进行深度估计，并且针对红外图像特征少、难描述等具体问题给出了有效的特征分析方法。本文的主要研究成果概括如下:　　(1)利用FLIR和Kniect设备构建了室内深度数据库。采用均值滤波算法填补深度图像存在的像素盲点“黑洞”，并利用张正友相机标定法对两设备进行标定，从而完成两种图像的配准，构建了较小规模的室内深度数据库。　　(2)针对数据规模有限、难以建立有效的基于特征学习的带参深度估计模型，本文构建了非参的深度估计模型。为了克服热像纹理缺乏、轮廓模糊的缺点，本文使用空间金字塔匹配(Spatial Pyramid Matching，SPM)进行热像的特征分析。基于SPM的非参深度估计算法引入了多尺度机制，从局部和整体上完整地描述图像，使得图像之间的特征匹配更加准确，有助于相似图像的检索，从而进一步提高非参深度估计中深度采样的准确性，与同类基础算法相比具有明显优势。　　(3)在非参深度估计模型中引入深度激活特征。首先，通过逐层实验，研究预训练卷积神经网络(Convolutional Neural Networks，CNNs)的深度激活特征在新的视觉任务上的迁移特性。然后，根据每个卷积层特征对图像检索准确率的贡献，提出了特征级联和编码级联两种特征组合方式。特征编码采用多尺度上的VLAD(Vector of LocallyAggregated Descriptors)，采用欧氏距离度量不同图像的VLAD特征相似性，并设置大量深度估计的仿真实验说明激活特征组合的有效性。实验结果表明，将预训练网络的迁移深度特征应用到非参深度估计算法中，改善了深度估计效果。