室内布局估计是计算机视觉领域的研究热点之一,是室内场景理解的一个重要基础任务,其目的是根据室内场景图像还原出室内的几何结构。室内布局估计在机器人室内导航与定位、增强现实和室内场景三维重建等方面具有广泛的应用前景。室内布局估计问题面临着室内物体繁杂、平面边缘遮挡及物体表面纹理复杂等问题的挑战。目前的室内布局估计方法大多基于单一全局特征,且需要复杂的前处理或后处理过程,准确度一般,实时性较差。针对这些问题,本文对室内布局估计任务进行了重点研究。主要研究工作总结如下:（1）总结并分析了室内布局估计的基本概念与相关原理。首先,分析了“曼哈顿世界假设”与“单天花板-单地面假设”,并使用这两个假设对室内场景进行约束;接着,总结了室内布局估计的常用特征,包括消失点（Vanishing Point,VP）、几何上下文（Geometric Contex,GC）、室内信息化边缘（Informative Edges,IEs）、室内关键角点（Corner Keypoints,CKs）、室内平面语义（Plane Semantics）和室内布局类型（Room Types,RTs）,并分析了不同特征的优缺点,确定了本文方法采用的特征;最后,概述了与室内布局估计相关的深度学习方法,包括卷积神经网络、全卷积神经网络与编码器-解码器网络。（2）提出了一种基于多特征融合的室内布局估计方法。首先基于高分辨率网络（High-Resolution Net,HRNet）提取室内CKs和IEs特征,使用Mobile Net V2对RTs进行分类;接着基于贪婪策略的后处理算法融合提取到的室内特征,并生成最终的布局。在LSUN数据集上对该方法进行了验证,展示了该方法的可视化结果,并对该方法准确度进行了定量评估。根据不同RTs下二维拓扑结构的相似性,将CKs由之前的48维降为8维,并通过实验验证了使用8维CKs的有效性。（3）提出了一种基于多任务监督学习的实时室内布局估计方法,并通过改进Non-bottleneck-1D卷积模块使其轻量性更佳。采用参数硬共享机制搭建了一个编码器-解码器网络,使用室内平面边缘热图与室内平面语义分割图对网络共同监督,实现了端到端的室内布局估计。对该方法进行了定量分析和可视化结果展示,验证了多任务监督机制的引入提高了室内布局估计的准确性。使用1×1卷积代替1×3和3×1卷积,对Non-bottleneck-1D模块进行了改进,并对这一改进进行了理论分析和消融实验,证明了该改进减小了网络模型体积,提高了网络的实时性。（4）通过实验对比了不同的室内布局估计方法的性能。首先,介绍了传统室内布局估计方法及本文提出两种方法的流程,分析了这些方法之间的异同,并通过实验证明了本文方法的准确性远高于传统方法;接着,通过实验对比了本文方法与其它基于深度学习方法的准确性,实验结果表明本文方法的准确度高于其它深度学习方法;最后,对比了本文两种方法的实时性,结果表明,多任务监督学习方法好于多特征融合方法。