随着计算机与自动化技术的发展,以无人机（Unmanned Aerial Vehicle,UAV）和无人车为代表的自主无人系统逐渐走入军事和民用领域。但是无论在军用还是民用领域,无人系统的制导、导航与控制（Guidance/Navigation and Control,GNC）能力都是其自主化能力的重要标志。其中,无人系统能自主估算前视场景深度信息与并进行障碍规避是其GNC能力的重要体现。因为具有能耗低、性价比高以及视场大的优点,通过视觉进行深度估计是目前最有研究价值的方法之一。因此,本文以无人系统为研究对象,以其前视场景的深度感知与障碍距离估计为研究目标,采用单目视觉结合深度学习的方法,同时展开基于可见光和红外图像的深度估计研究,重点研究了如何通过视觉提高无人系统全天候GNC能力,并且进行了全闭环仿真验证。本文的研究内容如下:首先,考虑无人系统前视场景特征、平台尺寸限制及数据来源问题,确定了单目自监督学习的理论框架。结合三维视觉知识推导出自监督信号的来源,并设计合适的卷积神经网络进行图像的深度、位姿特征提取,再结合自监督信号来源与图像处理知识构建了网络的损失函数。其次,考虑无人系统的全天候使用场景,提出了基于上述神经网络框架的可见光训练模式与红外光训练模式,并模拟无人机白天飞行与无人车夜间行驶的场景进行训练。针对数据集的特性采用了平均/最小重投影误差、多尺度上采样等一系列优化策略。然后,本文着重研究了夜间环境下的深度感知,结合红外图像相对于可见光图像的单通道、低纹理特征进行了迁移学习,使得带有“先天缺陷”的红外图像同样能很好的训练。在两种训练模式结束后,还对深度估计结果进行了定性定量评估。最后,为了验证本文方法对于视觉前视深度估计任务的有效性,搭建了一个全闭环无人系统仿真平台,通过嵌入本文算法,实现了无人机通过单目视觉感知前视场景深度,在不依靠雷达的情况下于山区完成过峰避障与地形跟随的机动效果,进一步证实了本文方法对于提高无人系统GNC能力的意义与贡献。