单目深度预测是计算机视觉领域中一项具有挑战的任务,而且在3D重建中占据着重要的组成部分。随着卷积神经网络的出现,使用深度学习进行单目深度预测得到愈来愈好的实验效果。但是,随着精度的提高,卷积神经网络模型的参数变得十分庞大。由于计算资源和内存的限制,将庞大神经网络广泛应用显得十分困难。因此利用轻量级的神经网络进行单目深度预测的想法应运而生,本论文基于轻量级卷积神经网络来研究单目深度预测问题,本论文主要的内容如下:设计了一种轻量级神经网络结构和新的损耗函数用于单目深度预测。首先,利用Mobile Net V2中的倒置瓶颈模块,设计了一种轻量级解码器和跳过-卷积-结合模块,构造了一种新的编码-解码的神经网络。接着,构造了一种新的损耗函数来训练卷积神经网络。与基于大型神经网络的单目深度预测结果相比,本文的网络模型在减少网络模型参数和计算复杂度的情况下能保证预测的精度。与基于轻量级神经网络模型的单目深度预测模型Fastdepth相比,除了延时稍差外,本模型深度预测精度、模型参数和计算复杂度均优于Fastdepth。利用加深加厚的Mobile Net V2、Mix Conv以及Efficient Net,设计了新的轻量级神经网络进行单目深度预测,计算复杂度和阈值精度的超越了剪枝前的Fastdepth。利用稀疏深度和单目图像作为输入,基于增加模型增加通道数和层数的方法设计了新的轻量级卷积神经网络,在引入较少的计算复杂度的同时大幅度地提高了单目深度预测的精度,新设计的神经网络在参数和计算复杂度方面优于先前的模型,而且在NYU Depth V2数据集上获得了较好的精度。将新设计模型应用于深度补全任务,取得了较好的实验效果。