深度估计作为计算机视觉领域的一项基础性研究,在自动驾驶、三维视频、增强现实等领域具有广泛应用。单目深度估计具有价格低廉、适用性广等特点,因此近年来逐步成为研究热点。现阶段,深度学习技术在图像分类、目标检测和语义分割等多个领域都取得了显著进步。借助深度模型强大的特征表达能力,大量学者设计了一系列端到端的单目深度估计算法,并在性能上获得明显的提高。但是,现有的方法仍存在某些问题:这些算法大都遵循静态环境假设,忽略实际场景中的动态目标,这会极大限制算法预测单目深度的能力。针对上述问题,本文以无标签的单目图像序列作为训练数据,研究基于深度学习的无监督单目深度估计算法。本文的主要贡献如下:（1）介绍了深度信息的应用场景和获取方法,梳理了深度估计领域的国内外研究现状和现有的一些经典方法,并对该课题现阶段的研究难点进行总结。（2）针对静态场景,设计了一个多任务深度学习模型,同时对单目深度和相机位姿进行预测。在训练阶段,借助针孔相机模型,采用基于图像几何一致性的损失函数对模型进行监督。（3）针对更加普遍的动态场景,本文在静态模型的基础上,引入无监督的光流预测模块,通过比较预测的全光流与相机刚性运动光流,对移动目标进行检测,减轻运动目标对单目深度估计的影响。另外,不同于主流的基于卷积神经网络的光流预测模型,本文采用生成对抗网络对光流进行预测,该模型能够直接从数据分布中学习,有助于提升光流预测的精度和鲁棒性。（4）为衡量本文提出的多任务学习模型在深度估计、光流估计和相机位姿估计三个领域的性能,实验中将它与各自领域现有的主要算法进行对比。最终,三项任务的实验结果表明:与有监督算法相比,本文的无监督算法取得了相当的结果;同时,在深度估计和位姿估计实验中,与其他无监督算法相比,本文方法的性能更优。此外,本文还设计了一系列的消融实验来验证模型改进的合理性和有效性。