En el trabajo de esta tesis presentamos dos tipos de algoritmos basados en el estado del arte para la detección de obstáculos con visión monocular en la navegación de un robot humanoide. El primer grupo de algoritmos utiliza el cálculo del flujo óptico entre dos imágenes consecutivas para segmentar las regiones de una imagen que son relacionadas a los obstáculos. Actualmente este tipo de métodos realiza la detección de obstáculos etiquetando cada píxel de la imagen. La solución que proponemos plantea utilizar solo un conjunto de puntos clave para mejorar el tiempo de computo, así como incluir un segundo criterio de clasificación robusta. Además implementamos una metodología de evaluación cuantitativa de estos algoritmos. Como resultado de la evaluación, apuntamos al mejor método de selección de puntos clave y criterio de detección robusta, señalando las mejores condiciones del entorno para la detección de obstáculos con flujo óptico. En segundo lugar exploramos los algoritmos de aprendizaje profundo, específicamente la arquitectura multitareas de detección de obstáculos y estimación de profundidad. Del mismo modo plantemos algunas modificaciones utilizadas en otros modelos de localización y clasificación de objetos. Finalmente, incluimos información del entorno para robustecer ante cambios de parámetros propios de la cámara. Para llevar a cabo la evaluación de esta arquitectura sobre la navegación humanoide adquirimos una base de datos de imágenes sintéticas desde un entorno de simulación. En conclusión, exponemos un modelo de detección de obstáculos y estimación de profundidad modificado para mejorar el rendimiento sobre la localización de los obstáculos y proponemos una manera de incluir información del entorno del robot humanoide para robustecer la estimación de profundidad ante variaciones de parámetros como la focal.