近年来,随着人工智能技术的迅猛发展,自动驾驶、3D显示以及机器人逐渐走入了人们的视野并开始影响着人们的生活。在上述相关领域中,如何获取准确的场景深度信息成为了研究的重点。当前针对单目图像/视频深度估计任务的主要方法是通过深度卷积神经网络(DCNNs)来学习彩色图-深度图数据库中存在的图像域信息到深度域信息的映射关系。但是,当前该领域的主流算法存在着如下三个问题:(1)在单目视频深度估计任务中,将面向图像的卷积神经网络模型运用到视频任务时,预测得到的深度图序列存在严重的时空不一致问题,影响3D视频的合成效果。(2)在单目图像深度估计任务中,当前的模型无法通过一套模型参数适应室内室外不同的场景,限制了模型的实用性与鲁棒性。(3)当前的单目深度估计网络模型具有较大的存储消耗以及计算消耗,限制了模型在移动端设备上的使用。本文针对上述三个问题分别提出了有效的解决方案。针对单目视频深度估计任务,本文提出了一种循环条件随机场网络模型。该模型将时空条件随机场与常规的卷积神经网络进行结合,能够有效地构建深度序列中存在的时空依赖关系,保证了预测结果的准确性与时空一致性。针对多场景类别单目深度估计任务,本文提出了一种基于注意力机制的深度分类网络。在该模型中,注意力模块通过统计场景的特性增强特征的判别能力,深度分类模块将深度回归任务转化为分类问题减少了模型的优化难度。室内室外两种数据库下的实验结果证明了本文模型的有效性。针对移动端的单目深度估计问题,本文提出了一种轻量化的单目深度估计模型。该模型采用深度可分离卷积替代传统卷积,同时使用了一种新颖的分段权重损失函数进行训练。实验结果显示,该模型在参数量较少的情况下取得了良好的效果。