针对目前单目图像在深度估计中依然存在边缘以及深度最大区域预测不准确的问题，提出了一种基于金字塔分割注意力网络的单目深度估计方法（PS-Net）。首先，PS-Net以边界引导和场景聚合网络（BS-Net）为基础，引入金字塔分割注意力（PSA）模块处理多尺度特征的空间信息并且有效建立多尺度通道注意力间的长期依赖关系，从而提取深度梯度变化剧烈的边界和深度最大的区域；然后，使用Mish函数作为解码器中的激活函数，以进一步提升网络的性能；最后，在NYUD v2（New York University Depth dataset v2）和iBims-1（independent Benchmark images and matched scans v1）数据集上进行训练评估。iBims-1数据集上的实验结果显示，所提网络在衡量定向深度误差（DDE）方面与BS-Net相比减小了1.42个百分点，正确预测深度像素的比例达到81.69%。以上表明所提网络在深度预测上具有较高的准确性。

针对交通标志识别模型检测速度与识别精度不均衡，以及受遮挡目标和小目标难以检测的问题，对YOLOv5模型进行改进，提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先，通过在主干网络中融入CA机制，有效地捕获位置信息和通道之间的关系，从而更准确地获取感兴趣区域，避免过多的计算开销；然后，通过在特征融合网络中加入跨层连接，在不增加成本的情况下融合更多的特征信息，提高网络的特征提取能力，并改善对遮挡目标的检测效果；最后，引入改进的CIoU函数计算定位损失，以缓解检测过程中样本尺寸分布不均衡的现象，并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时，识别精度达到了91.5%，召回率达到了86.64%，与传统的YOLOv5n模型相比分别提高了20.96%和11.62%，且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。