无人驾驶汽车的行驶过程不需要人为干预,在智能城市交通领域具有重要的研究价值。基于单目图像的视觉场景感知是发展无人驾驶汽车自主导航系统的关键技术之一,也是计算机视觉研究领域的热点和难点。随着深度学习理论的发展和计算机硬件设备的进步,卷积神经网络在计算机视觉任务中的应用取得巨大成功,基于深度学习的单目视觉场景感知算法成为最具有发展潜力的技术之一。本文针对单目视觉场景感知算法类标签难以获取的问题,研究基于深度学习的无监督单目图像景深估计、无监督单目视觉里程计以及无监督单目图像光流估计等内容,主要研究内容和创新点如下:1.在没有先验知识的情况下,针对传统算法难以完成单目图像景深估计的问题,提出一种基于深度学习的无监督单目图像景深估计模型。该模型首先在深度残差网络的基础上设计一种新的基于“编码-解码”结构的图像景深估计网络DepthNet。其次,在目标函数的构造过程中,利用双目图像同名点对应像素平移量大小相同的特点,设计一种视差一致性损失函数,以提高模型的计算精度。在实验中,通过在KITTI数据集上的多组消融实验与对比实验验证DepthNet的有效性,并且在KITTI数据集和Cityscapes数据集上验证了 DepthNet的景深估计精度超过目前流行的无监督景深估计模型,同时超过了部分有监督景深估计模型。2.针对基于特征的视觉里程计仅适用于特征丰富的场景,且需要多步骤处理（特征提取、描述、匹配,光束平差）过程,提出一种基于深度学习的无监督视觉里程计。该模型建立了单目图像序列与相机位姿矩阵之间的映射关系,对应用场景没有任何要求。在训练过程中,对相机位姿估计网络MotionNet和DepthNet建立相互耦合关系。在测试过程中,以单目图像序列为输入,通过MotionNet直接获取图像对应的相机空间位置与姿态信息,构成一个“编码”结构。在KITTI Odometry数据集上的短时图像序列精度对比实验、相机全局运动轨迹对比实验、计算时间对比实验等多种仿真实验中,本文分析了基于特征的视觉里程计和基于深度学习的视觉里程计之间的异同,指出深度学习模型的不足和发展前景。3.针对“亮度不变性”和“光流平滑性”等条件在真实场景中难以满足的问题,提出一种基于深度学习的无监督单目图像光流估计模型。该模型首先设计一种光流估计网络FlowNet,该网络与DepthNet具有相似的网络结构,是一个“编码-解码”结构网络。其次,利用图像序列中前、后图像光流一致性原理,设计一种基于光流的重建图像一致性损失函数,以提高模型计算精度。最后,由场景深度图像和相机位姿矩阵计算静态场景光流信息,并在此基础上完成FlowNet的训练,计算出静态场景和动态目标的光流。在KITTI Flow数据集上的消融实验和大量的对比实验表明,图像一致性损失函数和静态场景光流信息均提高了光流估计模型的计算精度。4.针对现有的景深估计模型和视觉里程计在图像重建过程中不区分处理图像重叠和非重叠区域的问题,提出一种基于深度学习的无监督单目静态场景自适应运动估计模型。该模型利首先用图像全局亮度和局部亮度之间的差异设计一种自适应函数,用于判断图像像素是否属于重叠区域。然后,在目标函数的构造过程中,将自适应函数作为权重因子,修正图像重建结果。在KITTI数据集上的对比实验结果表明,该模型提出的自适应函数有效降低了非重叠区域对静态场景运动估计模型产生的不利影响。