智能车辆是现代车辆的发展的趋势，它包含的高级辅助驾驶系统涉及到距离测定。由于成像原理不同，可见光图像适用于光线充足的情况，而红外图像基于热成像原理不受光线条件限制，所以从单目红外图像中估计深度可以为夜间的辅助驾驶系统提供支持。从单目红外图像中估计深度的几何光学方法大多是基于相机参数，受限于场景结构;机器学习方法依赖于前期的手工特征提取，然而红外图像的纹理信息不丰富，无法全面提取有效特征;深度学习方法可以通过训练自适应对图像中的场景结构和特征提取建模，能很好地估计图像中景物的深度。　　基于深度学习的方法，本文针对单目红外图像的深度估计提出了如下方法:(1)本文提出了一种金字塔残差神经网络对红外图像进行深度估计，使得网络能够实现多尺度的特征学习。同时，本文将深度估计转化为分类问题，简化了回归方法存在的参数冗余问题。(2)本文提出了基于帧间信息提取的红外图像的深度估计方法，连续帧间的光流图像、2D和3D卷积神经网络，使得网络能够提取输入图片在时间和空间上的特征。同时，本文提出一种新的特征选择方法，使得网络能自主学习不同特征图的权重。(3)本文提出了基于CRF-RNN的卷积神经网络的红外图像的深度估计方法，对网络提取的红外图像特征与原始输入图像进一步结合，进一步优化深度的分类。对比实验表明，本文提出的方法具有较高的准确率和较低的误差，物体轮廓不易丢失。