单目深度估计是计算机视觉领域中一项重要而具有挑战性的任务,而且在三维场景重建、无人驾驶、医学图像处理、现代化军事以及智能交通系统中都发挥关键性作用。其目的在于估计出RGB图像中每一像素点的深度信息。基于深度学习的深度估计流程为:首先输入一张二维图像,然后进入卷积神经网络即编码器-解码器结构,最后估计出图像中场景的深度值。在深度估计的过程中,网络模型的精确度往往会受到图像尺度与场景环境的影响。尽管目前有许多方法在该任务上有着很优秀的表现,但是大部分方法在神经网络中对特征图语义信息的利用还不够充分,而且使用的损失函数均为逐像素操作,比如一范数约束或二范数约束。这些损失函数没有考虑到像素之间的关联,也没有对深度的分布进行约束。针对上述问题,本文提出了二阶段的级联深度蒸馏模型（Cascaded Depth Network with Distillation Strategy,CDDN）,利用级联网络有效地组织特征图信息,同时提出分布一致性损失函数约束预测深度图的直方图分布。本文训练模型时,首先通过模型的第一阶段得到一个粗略的预测深度图,接着将其与原图像融合后的特征信息作为第二阶段模型的输入。在训练第二阶段模型时,引入知识蒸馏策略,即利用深度填补的模型作为第二阶段模型的指导模型,指导预测最终的深度图。在训练过程中,为了更好的预测出准确的深度图,第二阶段模型引入分布一致性损失函数来约束网络模型估计的深度图。在本文的实验部分,大量的对比实验能够证明各个模块的有效性,并且本文在两个公开的深度估计数据库上进行了大量的实验以此验证模型的有效性,实验结果表明CDDN在深度估计的任务上能达到前沿的效果。