单目深度估计是场景理解中的一项具有挑战性的任务，其目标是从二维图像中恢复三维空间的几何属性。由于缺乏RGB-深度图像对，无监督学习方法通常借助立体图像对等替代监督信号来推导深度信息。然而，现有大多数方法未能有效建模物体的几何结构，这主要源于训练过程中仅依赖像素级目标函数。为此，本文提出SceneNet，通过引入分割带来的语义理解来克服这一局限。此外，所提出的模型能够通过强制立体图像对之间的语义一致性，实现区域感知的深度估计。在实验中，我们从定性和定量两个方面验证了所提模型的有效性与鲁棒性，其性能优于当前最先进的方法。