胃肠病是人们在生活中常见的疾病。目前,一种常见的胃肠病的诊断和治疗方式为导入胃窥镜来观察。深度估计是为内窥镜导航系统提供距离信息的重要手段。然而,组织多样性和血管纹理等干扰给深度估计的精度带来了很大挑战。为了更好地提供距离信息,本文从两个方面研究深度估计方法——监督学习和自监督学习。首先,本文使用的监督学习方法要求图像的深度图参与训练,利用卷积神经网络来实现深度估计。使用了两种监督训练方式,一种方式是使用单目胃肠图像实现监督学习,利用ber Hu损失函数作为监督对象。第二种方式是使用双目胃肠图像实现监督学习,提出左右视角一致性损失函数。虽然使用双目胃肠图像参与训练,但是在测试阶段和实际应用时仍然利用单目图像。左右视角一致性损失函数的原理是将双目深度图转换到同一坐标系下,最小化两者之间的差异。以上两种监督方式均使用多尺度损失计算,并且设计了一种新的解码结构。除此之外,本文把注意力机制引入深度估计任务中,以提高深度估计的精度。具体地,重新设计了通道注意力机制和空间注意力机制,并且将它们合理的嵌入到卷积神经网络中。其次,针对深度图标签不足或者无法提供的情况,本文利用了自监督学习的深度估计方法。具体地,利用双目视觉的重建来构造损失函数,从一个视角的图像重构出另一个视角的图像,从而获得用于监督的深度信息。此部分的预测对象从深度图转换为视差图。在实际应用时,视差图可以利用相机标定参数转换为深度图。自监督学习使用的卷积神经网络结构与监督学习使用的卷积神经网络结构相同,并且也加入了注意力机制提高预测精度。在模型测试阶段,本文使用同分布测试集和异分布测试集来探究模型的性能。同分布测试集的测试结果中,平均绝对误差最优达到6.49毫米,明显优于异分布测试集。利用自监督学习测试视差误差,同分布测试集结果优于异分布测试集结果。在监督学习和自监督学习中,注意力机制对模型的性能都有提高作用。