随着深度神经网络近来的使用,单张图片的深度估计已经逐渐取得了显著的进展。在普遍的单目深度估计问题中,为了应对庞大的数据,深度回归网络是一种典型的方法。然而,这样单纯的用回归网络进行预测,常常将图像所有像素一视同仁,忽视了场景结构的限制,有时会在不连续的地带产生不确定性,影响模型的深度预测性能。本文提出了一种感知场景结构的单目深度预计方法,并基于以下两个观测:深度在同个物体内部,分布相对平滑;相比于深度的客观值,通常刻画场景内不同两点的相对深度会更加容易。本文的方法首先通过深度估计网络输出一个初始深度,并利用场景的视觉显著性信息,帮助该网络进行场景深度的细节修正。具体来说,本文首先利用场景的视觉显著性信息得到稳定的场景基准深度,整个模型的学习过程是惩罚深度的预测值相对于该基准深度的相对深度关系。我们用完整的实验说明了这样融合显著性语义信息进行图片深度估计的方法能有效保留场景的结构,并使深度估计的精确度在RGB-D显著性数据集NLPR以及深度估计标准数据集NYU Depth v2上有显著提高。并且,本文提出的方法可以级联于有监督的基于深度学习的单目深度估计模型之上,进行端到端的训练,并在模型测试阶段不带来额外的开销。