同步定位建图技术（Simultaneous Localization and Mapping,SLAM）是在未知区域中实时获取自身定位和环境位置信息的技术。目前,单目SLAM存在建图稀疏的问题和运动较快时容易发生定位丢失的问题。针对这些问题,本文对基于特征点法的单目ORB-SLAM2系统进行改进,提升了系统建图的稠密程度和部分快速运动场景下的鲁棒性。本文工作如下:（1）针对单目ORB-SLAM2系统中建图稀疏的问题,设计了一个基于光流跟踪网络的实时稠密建图模块。基于特征点法的SLAM系统受限于特征点的稀疏性,无法进行实时的稠密匹配,所以本文采用基于深度学习的光流跟踪网络对关键帧进行稠密光流跟踪,并使用光流跟踪结果进行稠密建图。该模块作为新的线程与原系统的局部建图模块并行,在原系统的基础上维护了一个由八叉树全局地图和点云局部地图构成的稠密地图。改进后的系统增加了处理时间,但大幅提升了建图的稠密程度。（2）针对单目ORB-SLAM2系统的视觉里程计在快速运动时容易发生定位丢失的问题,本文提出了一种融合稠密地图的视觉里程计改进方法。由于ORB-SLAM2的视觉里程计依赖于帧间具有深度信息的匹配点,故该方法使用稠密建图模块维护的局部点云地图,在必要时为匹配点补足深度信息,从而在位姿解算环节提供足够的约束信息,使位姿解算更加稳定。该方法提升了系统在部分快速运动场景下的鲁棒性。（3）向基于C++搭建的SLAM系统中引入深度学习网络,一般需要对原网络进行一系列模型转化。本文在机器人操作系统（ROS）上构建了一个基于客户端-服务器模型的SLAM系统。将融合上文稠密建图模块和视觉里程计改进方法的ORB-SLAM2作为系统的客户端节点,可以方便地调用稠密建图模块所需的光流跟踪网络。主流的基于深度学习的光流跟踪网络不必经过模型转化,即可作为系统的服务器节点承担光流跟踪任务。本文以Mask Flow Net和Flow Net2两个光流跟踪网络为例,作为服务器节点进行光流跟踪,并在录制的场景下与多个视觉SLAM系统做比较。实验结果表明,该系统在定位与稠密建图上有良好的表现。