图像的深度估计是计算机视觉领域一个重要的研究课题。挖掘二维图像中的深度信息,可以帮助计算机理解场景的三维结构,在智能机器人技术、虚拟现实、增强现实、场景的三维重建、汽车自动驾驶等众多领域都有广泛的应用。相较于基于双目、多目的深度估计方法,基于单目图像的深度估计对设备和环境要求较低且易于实现,因此具有更加广泛的应用价值。然而,只通过单个视角的二维图像估计三维的立体信息,从几何计算的角度来看是非常巨大的挑战。传统的基于单目深度估计方法主要通过阴影、纹理等线索恢复深度信息,虽然实现简便,但是在特征检测和匹配过程中受外部环境限制较大,不具有良好的普适性。而基于深度学习的单目图像深度估计由于充分利用了图像中的物体结构等信息,因而具有鲁棒的特征表示以及泛化能力较好。但是该方法仍然存在一些问题:（一）物体边界信息容易丢失并且对场景结构恢复不完整;（二）复杂环境下的深度预测效果不佳,一些小尺度物体与背景融为一体,不能很好地区分二者。前者是由于传统的卷积神经网络只是通过卷积核来聚合局部区域的特征信息,缺乏对全局信息关系的考虑,而后者是因为当前方法对场景中纹理、几何信息的解析能力不足。针对上述问题,本文立足于深度学习的方法,对单目图像深度估计问题展开了以下研究:（1）本文通过加宽网络,实现在不增加模型复杂度的条件下进一步提高模型性能,然后通过加权校准的方式自适应地调整特征通道之间的重要性关系,从而提高网络模型对特征的利用率。基于此我们提出了一种基于SE-ResNeXt的单目图像深度估计网络,改善了网络的全局信息的利用问题。（2）本文通过多层级的注意力机制在网络的不同部分更有效地保留场景语义信息,在此基础上将编码器网络中提取的语义特征与解码器网络中对等层的特征进行融合,帮助网络更好地定位小尺度物体,最后通过全局特征增强模块获得更加密集的上下文语义信息。基于此我们提出了一种基于多级注意力对等层融合的单目图像深度估计网络,有效改善了复杂环境下的深度预测效果,解决了场景中小尺度物体与周围环境混合的问题。本文系统地研究了深度估计问题中的全局特征信息提取和复杂环境下的细节特征保留问题,所提出的方法显著提高了深度估计的效果和性能,并且通过大量的实验分析、论证本文方法。在KITTI数据集上绝对相对误差降至0.1,均方根误差降至4.421。实验结果表明本文方法获得了更低的误差值,并且在视觉效果上也有一定的提升。