自动驾驶是近年来最热门的机器人技术研究课题之一,研究者们注意到,自动驾驶需要从工程、数学和计算机等各个课题进行大量的研究,SLAM技术是其中不可或缺的一部分。大多数视觉SLAM方法使用特征法来构建稀疏或半稠密地图来实现实时跟踪,单目SLAM在硬件和经济性方面提供了一种实用而灵活的方法。但是,许多单目SLAM系统在面临光照变化剧烈,相机运动剧烈、移动太快、相机捕捉到的图像模糊、或者遇到白墙或玻璃等特征较少的场景中基本无法工作。深度学习的最新突破,特别是基于深层神经网络的深度学习感知管道已被证明在许多机器人感知任务中有效。因此,将最先进的深度学习模型部署到真实的机器人系统中,对传统SLAM的不足进行有益的补充是有必要的。论文将基于神经网络的特征提取方法构建一个视觉SLAM系统,主要研究内容包括:（1）充分调研国内外先进的基于传统方法和基于学习方法的视觉SLAM系统,比较各个系统的优缺点。研究卷积神经网络的模型和结构和在视觉SLAM前端的应用,为实现使用卷积神经网络进行特征提取打下坚实的理论基础。（2）首先对相机进行标定,计算出了相机的重投影误差和相机在对应时刻所处的位姿,实验结果表明标定效果良好。搭建了由深度相机信息读取、视觉里程计、后端优化、回环检测和建图等五个模块组成的系统结构。介绍了深度学习的相关部分,对卷积神经网络进行概述,选用PyTorch作为系统开发框架。（3）对SIFT、SURF和ORB等三种传统的特征提取方法进行研究,分析了它们的优缺点,并进行了特征提取和匹配实验。提出了一种全卷积神经网络特征提取方法F-CNN,将四种算法在亮度变化、高斯模糊、旋转和尺度缩放等四种情况下进行实验比较,实验结果表明,F-CNN优于这些传统特征提取方法。（4）在VGG-16网络的基础上,通过调整网络结构,不断训练,最终得到一个训练好的特征提取神经网络模型。将该方法与SIFT、SURF和ORB等三种方法在不同亮度、高斯模糊、旋转和尺度变换等四种情况下进行实验对比,从查全率,查准率等十一维度进行比较分析,实验结果表明,本文方法优于这些传统方法。（5）在之前训练好的网络模型的基础上,构建了一个视觉SLAM系统,在KITTI数据集上进行测试,并与最新的ORB-SLAM3系统比较,实验结果表明,在序列00,03,04,06和10上,论文的方法均优于ORB-SLAM3,然后在真实场景中进行测试,结果表明建图效果较好。（6）对论文进行总结,对今后的工作和未来SLAM技术的发展做了展望。图[67]表[5]参[87]