场景的深度估计是三维世界目标检测、识别和理解的前提,是计算机视觉的重要任务之一,也是机器人导航、虚拟现实与增强现实等领域不可缺少的关键技术。本文对比了激光雷达、双目与单目视觉深度估计的优势与局限后,采用了安装便捷、使用灵活和价格便宜的单目摄像机作为传感器,基于视频序列的无监督学习方法来估计场景的深度信息。本文针对单目视频序列无监督深度估计方法中光照变化、区域平坦相似和相互遮挡造成的干扰,研究深层神经网络训练中排除干扰的方法,以提高深度估计的精度。本文首先对比分析了基于深层神经网络模型的深度估计方法,明确了单目视频序列深度估计要解决的关键问题,针对光照变化、区域平坦相似和相互遮挡造成深度预测的误差,确定了从数据处理和目标损失函数两个方面来同时消除深度估计的干扰,设计了误差修正方法,让误差较大的图像区域尽可能不参与网络训练,从而避免干扰,提高深度预测的准确性。其中的主要原理是,源视角(目标视角)转化到目标视角(源视角)后的深度图像与目标视角(源视角)预测的深度图象之间的差值作为修正权重模板,差值越大的部分说明深度预测误差越大,则这部分像素参与计算的权重越小,用该模板修正输入图像序列,来降低深度估计网络和摄像机姿态估计网络的干扰。该权重模板也同时用于修正图像一致性约束。二者分别从数据源头和网络的目标函数着手降低干扰,获得了准确的深度估计结果。在具体实现方面,剔除输入数据干扰时,更改了网络使用的数据结构,跟踪记录每次训练得出的权重系数,在一对图像输入网络之前,分别用权重系数与两幅图像相乘来修正输入数据。为此,本文设计两套权重模板来表征源视角图像到目标视角图像和目标视角图像到源视角图像的匹配关系。当同一像对多次重复输入模型进行训练时,程序就会动态更新两张权重图,不断突出图像中干扰较少的区域,从而提升姿态估计与深度估计网络的表现。这种交替更新的处理方法不仅能消除前后两批数据之间的干扰,而且由于序列图像的前后递进关系和姿态估计与深度估计的耦合关系,也保证了整个视频序列干扰的消除。最后,本文采用两个自编码器结构的残差卷积神经网络,搭建了干扰消除的摄像机姿态估计任务和深度估计任务,在国际上最大的自动驾驶场景数据集KITTI上开展了深度测试实验,得到了各个场景下的深度图像,验证了本文方法的正确性。与目前单目视频序列无监督深度估计方法相比,本文方法也取得了相当不错的结果。以上测试实验表明本文算法在消除光照变化、区域平坦相似和相互遮挡的干扰后,保证了深度估计的准确性。