即时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是指搭乘特定传感器的主体,在没有环境先验信息的情况下,于运动过程中建立环境的三维模型,并估计自己的运动。经过多年的发展,SLAM在自动驾驶、增强现实、机器人运动与定位等多个领域中慢慢显示出它的作用。其中,基于特征点法的视觉SLAM具有使用方便、传感器成本较低等优点。这些优点使得基于特征点法的视觉SLAM受到了广泛关注,具有较好的应用前景。在传统的基于特征点法的视觉SLAM系统中,所有运算均由CPU完成,没能完全利用现有的硬件资源进行加速（如GPU）;其次,系统所使用的特征点提取算法均是人为设计的具有较强假设的图像特征点提取算法,导致当系统运行在纹理单一的环境时,路径估计的精度大幅度下降,甚至无法进行估计。本文就此问题展开研究,借助近年来为计算机视觉带来巨大发展的深度学习（Deep Learning,DL）技术,尝试解决传统的基于特征点法的视觉SLAM系统的关键点提取与固有的尺度问题。主要工作如下:提出使用自监督光流关键点提取器的SP-Flow SLAM系统。本文利用自监督学习来构建关键点提取器,该关键点提取器能够提取视觉SLAM所需的特征点。首先利用卷积神经网络和合成数据训练出能够提取关键点的基础网络;然后,利用连续两帧图像和光流算法对基础网络进行训练,获得一个能够提取良好配对关键点的实时推断网络SP-Flow;最后,将SP-Flow网络作为关键点提取器的核心模块,应用到基于特征点法的视觉SLAM系统,得到SP-Flow SLAM。实验结果表明,SP-Flow SLAM提高了传统基于特征点法的视觉SLAM的路径估计精度,并在一定程度上保证了系统运行在低纹理环境中的鲁棒性。提出使用自监督几何信息深度估计模块的SPD-Flow SLAM系统。在使用单目传感器的情况下,基于特征点法的视觉SLAM由于无法正确估计出二维图像中的三维信息,因此会出现固有的尺度问题。为克服运行在单目模式下的视觉SLAM系统的尺度问题,本文在SP-Flow SLAM的基础上,利用自监督学习和几何信息来构建一个深度估计模块。首先,通过几何信息训练出一个能够估计场景深度的教师网络;然后,使用知识蒸馏对此教师网络进行简化,得到一个规模较小的学生网络,且该学生网络能够完成教师网络的功能;最后,将学生网络作为深度估计模块的核心部分,融入到SP-Flow SLAM之中,得到SPD-Flow SLAM系统。实验结果表明,本文所提出的SPD-Flow SLAM系统保留了SP-Flow SLAM的优势,并改善了SP-Flow SLAM在单目模式中的尺度问题。