场景的深度信息广泛应用于计算机视觉的各个领域,包括场景三维重建、人机交互、自动驾驶等。然而深度信息的获取一直制约着深度信息的使用,现有方法基于立体视觉可以计算出场景的深度信息,但匹配难度高,难以得到稠密的深度图像;而采用深度相机采集的深度图像存在分辨率低、噪声干扰的问题,难以应用在移动设备上。如何获得较高质量以及高分辨率的深度信息图像成为了当前需要解决的难题。本文首先研究了单目场景下深度信息估计问题,针对场景中目标的尺度大小不一样的问题,基于残差网络设计了深层卷积神经网络从场景彩色图像直接估计出场景中各目标距离相机的深度信息。另外,使用多尺度的扩张卷积组成的空间金字塔结构,既能感知不同大小的目标特征,又降低了网络的计算量。由于深度估计过程中特征聚合使得深度图像分辨率较低,本文进一步提出了深度信息增强子网络对低分辨率估计结果进行深度增强,得到了较高质量的场景深度估计结果。在室内数据集NYUv2和室外数据集Make3D上的实验结果证明了本深度估计网络的有效性。其次,针对深度相机采集的深度图像的分辨率难以满足实际应用的问题,本文研究了深度图像超分辨率恢复的问题。考虑到边缘信息对深度图像超分辨率恢复的重要作用,本文设计了边缘引导下的深度图像超分辨率恢复框架。首先根据低分辨率的深度图像结合彩色图像预测出高分辨率的深度边缘,然后针对深度图像超分辨率恢复任务,提出了两个方法:边缘引导的局部插值算法和端到端的超分辨率恢复网络。本文采用Middlebury和MPI Sintel数据集分别验证了超分辨率策略的有效性和泛化能力,证明了本文的方法能够较好地保持深度边缘的锐利,提升了深度图像的分辨率以及恢复质量。同时,本文的方法在带有噪声的深度图像超分辨率恢复问题上也取得了相比于现有方法较好的结果。