智能化是移动机器人的主要发展方向之一,而同时定位与建图（Simultaneous localization and mapping,SLAM）则是实现机器人智能化的关键技术与重要基础。SLAM系统使移动机器人通过传感器进行定位,并对周围环境建立地图,但单一种类的传感器存在局限性,无法很好地应对移动机器人面临的复杂的实际情况。针对此问题,本文采用了激光雷达和单目相机两种传感器,使之优势互补。此外,深度学习技术正逐步成熟,已经应用到生产生活的多个方面。本文将深度学习技术引入到SLAM系统中,进一步提高了SLAM系统的整体运行效率和移动机器人的智能化水平。一个完整的SLAM系统包含数据预处理、前端里程计、后端优化、建图和回环检测等五个模块。本文对其中的三个部分展开详细研究,分别是数据预处理、前端里程计和回环检测,主要研究内容和结果包括:（1）针对数据预处理模块中的点云去噪问题,本文提出了一种基于自适应阈值的三维点云分段式预处理方法。根据噪声点与非噪声点之间的欧式距离,将其划分为远信号噪声点和近信号噪声点两类,先后对两类噪声点分别采用了基于非线性函数的阈值自适应去噪算法和基于曲率的去噪算法。基于非线性函数的阈值自适应去噪算法采用有序的栅格对无序的点云进行组织,然后计算栅格内点云密度,通过调用非线性函数计算阈值,以实现点云密度阈值的自适应调整。基于曲率的去噪算法采用K-D树对点云数据进行组织,对某点P的邻域内所有的点按曲率进行排序,计算出曲率中值,将大于曲率中值的点P视为噪声点。实验结果表明,该方法可以有效去除点云中的噪声点,去噪精确度达到95%以上。（2）针对前端里程计模块中的位姿计算问题,本文提出了一种基于Mask RCNN的多传感器里程计方法。该方法首先将激光雷达的点云数据和单目相机的图像进行融合,以获取更准确的特征点的深度;然后利用Mask R-CNN模型生成图像掩膜,以去除动态特征点,只使用静态特征点计算位姿。在KITTI数据集上的实验表明,相比于ORB-SLAM2,本文方法的绝对位姿误差平均值下降了14.9%、相对位姿误差平均值下降了7.3%,可以实现更准确的位姿计算,是一种有效的里程计方法。（3）针对回环检测模块中的单一方法无法同时应对静态环境与动态环境的问题,提出了一种基于Mask R-CNN的回环检测方法。该方法首先利用Mask RCNN模型生成的掩膜将全部特征点分为三类;然后再在同类特征点之间进行比较并计算相似度得分,可得到三个相似度得分;最后根据自适应权重调整策略将三个相似度得分按权相加,得到最终的相似度得分。在KITTI数据集上的实验表明,相比于作为参考的两种回环检测算法,本文方法取得了更大的准确率-召回率曲线下面积,是一种同时适用于静态环境和动态环境的回环检测方法。为进一步验证本文所提方法的可行性与有效性,除计算机模拟实验外,搭建了带有激光雷达和单目相机的移动机器人实验平台,在校园的真实环境中实际运行。实际实验的结果表明,本文所提方法运行良好且结果准确,是一种可行有效的SLAM方法。