随着计算机软硬件的发展，人工智能热潮兴起，自动驾驶、移动机器人和无人机等技术成为当前的研究热点。这些智能化应用依赖于对环境信息的感知，例如获取环境中障碍物与自身的距离，即深度信息。相机以其成本低、体积小、质量轻和获取信息丰富的优势成为受青睐的深度传感器。单目深度估计恢复出的深度图，可以作为机器人与无人车避障与导航的指导信息，也可用于三维重建与增强现实等领域。因此，这项技术成为了计算机视觉与机器人学中重要的研究课题。基于传统三维重建的算法通过极线搜索或三角测量等几何方法计算深度，但是难以解决图像弱纹理区域的深度重建，无法得到完全稠密的深度图。而基于深度学习的方法目前还不成熟，仍面临算法可靠性不高，精度有待提升，泛化能力较差等问题。
　　本文提出了一个基于深度学习的单目多视角深度估计方法。我们的深度学习模型由紧密连接的光流网络和深度网络组成，两个子网络通过不同尺度的光流与深度转换模块连接在一起。光流网络获得的匹配信息，可以通过我们设计的转换模块得到深度信息作为深度预测的指导，而深度网络得到的深度信息也可以转换为匹配信息输入光流网络进行优化。通过不同尺度上的光流与深度的多次转化，两个网络紧密耦合，得到同时优化。在预测光流时，我们通过使用本文提出的极线特征层加入相机位姿的约束，使得预测结果在静态场景下得到提高。同时，我们的网络可以扩展到输入任意数量的不同视角图片，估计参考图像的深度图。
　　在六个公开数据集上的实验表明，我们的方法能够得到比现有算法更优的深度估计结果，并且算法耗时少于大部分现有的深度估计方法。同时，网络输出的光流精度也优于或持平当前的光流估计方法。