深度预测和相机姿态估计一直以来是计算机视觉领域重要的研究方向之一,是指计算机通过二维图像估计出场景的深度信息和相机姿态信息,广泛应用于自动驾驶、服务型机器人和无人机等人工智能领域。传统基于几何的深度预测方法和相机姿态估计方法虽然在一定程度上能得到场景的深度信息和相机的姿态信息,但是存在计算过程复杂、场景适应性差等问题。目前,基于深度学习的深度预测和相机姿态估计方法一般以卷积神经网络和循环神经网络为基础,通过编解码的方式进行。但是,这些方法都忽略了决定深度最重要的特征之一,也就是运动信息;而且编码模块进行最大池化操作的过程中,很多细节可能会丢失。针对上述问题,本文采用了膨胀卷积与循环神经网络相结合的方法用于深度预测,充分利用运动信息的同时最大限度地保留图像的细节,并对现有的相机姿态估计方法进行了改进。本文的主要研究工作及创新点如下:（1）提出了一种基于PDB-ConvLSTM的深度预测方法。首次将膨胀卷积与ConvLSTM相结合的方法应用于视频的深度预测,膨胀卷积的主要作用是保留图像的细节,而ConvLSTM可以充分利用运动信息。实验结果表明,本文的深度预测方法在有监督预测上精度有所提高,在深度预测准确像素比上比Wang的方法提升了5%,而且无监督预测效果也表现良好。（2）提出了一种基于循环神经网络的相机姿态估计方法。该方法采用卷积层与长短期记忆单元（LSTM）交替结合的网络,其中循环神经网络部分本文采用的是深度双向卷积长短期记忆单元（DB-ConvLSTM）,该网络可以学习更深层次的信息,有利于减小姿态估计的误差。实验结果显示,本文的相机姿态估计方法,在有监督估计上平移误差比Wang的方法平均减少了4%,并且其它参数也有较好的表现。本文提出的深度预测方法和相机姿态估计方法在预测精度上都有所提高,并且本文的方法既可用于有监督预测也可用于无监督预测,适用性比较强,对自动驾驶等领域的发展具有一定的意义。