图像的深度估计是从给定的图像中提取深度信息从而重建三维场景,是计算机视觉最基础的研究领域之一,在语义分割、自动驾驶等前沿领域有着极其重要的应用。其中从单幅图像中进行深度估计最为棘手,因为同一张图像可以映射多个三维场景,计算机并不像人类可以根据丰富的先验知识准确地判断单幅图像的深度大小,所以这项任务对于计算机来说是很困难的。近年来,随着神经网络的发展,由于深度学习方法具有良好的特征提取和泛化能力而被深度估计研究广泛采用,解决了传统方法利用手工特征造成的鲁棒性较差的问题,同时基于神经网络的方法可以得到更准确的深度估计,但是目前在复杂场景预测的深度结果与真实深度图仍有较大差距。首先,本文对单幅图像深度估计的国内外研究现状进行分析,针对单幅图像深度估计领域中由复杂环境下存在多种景深导致的物体边缘估计不准确的问题,本文结合深度估计和语义信息的联系,提出了一种基于能够感知场景语义信息的多尺度Transformer残差金字塔网络（Residual Pyramid Network）的单幅图像深度估计方法,该方法通过使用三种形式的Transformer构建具有丰富语义信息的特征金字塔,并将其应用在编码器-解码器结构,得到一种新的神经网络模型,实现图像空间和尺度的双重特征融合,能够获得更加清晰的对象边缘轮廓,从而提升了单幅图像深度估计的准确性。然后,针对深度图中深度梯度较小区域存在细节丢失的问题,从目前基于编码器-解码器结构的单幅图像深度估计方法入手进行深度图优化。当前大部分方法在解码器结构中使用插值方法或者反卷积方法进行上采样,其中插值方法具有低通滤波的作用,会丢失高频分量,导致上采样后的深度图丢失了对象细节信息。而反卷积方法对整个图像用相同的卷积核,限制了对局部深度变化的响应,同时还带来巨大的参数,使得计算非常低效。因此本文提出了一种融合全局注意力机制和内容感知的单幅图像深度估计上采样方法,它具有较大的感受野,可以感知场景中的语义信息,在不引入过多的参数和计算量的同时,利用高层特征指导底层特征恢复出精确的深度图,将此方法应用在多尺度残差金字塔网络的解码器中,使网络表现出对深度梯度的高敏感性,最终实现了深度图的优化。最后,在NYU-Depth V2室内深度数据集上训练本文提出的网络模型,相应地在NYU-Depth V2和SUN RGB-D测试集上取得了相比目前有代表性的单幅图像深度估计方法更优的准确率和误差值,并且获得了更加清晰的物体轮廓和对象细节,从而验证了本文提出的单幅图像深度估计方法的有效性。