视觉移动机器人同时定位和建图(VSLAM)主要研究移动机器人在陌生环境中利用视觉传感器采集周围环境信息，实现自身在环境中定位和构建环境地图的同步问题，对智能机器人自主控制的实现具有重要先导作用。本文基于全局大规模一致性VSLAM(LSD-SLAM)进行研究，对相机进行光度标定，增加系统对光照变化的鲁棒性；融合场景内容变化的判据，添加深度学习神经网络，提高单目VSLAM系统获取深度信息的精度，形成了更加稳定强健的全局大规模一致性VSLAM系统。本文的安排如下：
　　首先，简析VSLAM的发展历史和研究意义，概述VSLAM国内外的研究现状，构建VSLAM的基本框架。在相关研究领域中选取3个代表系统进行定性对比分析，并对LSD-SLAM系统原理着重解析。
　　其次，针对直接法VSLAM对光照敏感的问题，提出在LSD-SLAM系统跟踪模块添加相机光度标定改进方案，增加系统对光照变化的鲁棒性。构建单目相机精细成像模型，分析相机主流标定策略，从辐照度、渐晕和曝光时间等方面探讨相机参数对成像模型的影响。最后进行实验分析，得出对相机光度标定之后，系统对光照变化的健壮性增强。
　　再次，针对LSD-SLAM系统将移动距离作为更新关键帧的唯一判断依据问题，提出融合场景内容大小的判断依据和利用深度学习神经网络模型进行图像深度信息提取的改进方案，增加系统提取深度信息的精确度。在分析常规深度估计算法之后，对LSD-SLAM的深度估计模块详细分析，探讨该阶段3个误差形成原因。提出增加新的场景内容变化大小的判据，只要满足二者中的任意一个条件，即生成新的关键帧。并在LSD-SLAM深度估计模块融合卷积神经网络，通过训练得到单目相机深度估计模型，以便于系统从图像中提取绝对深度信息。
　　最后，通过实验验证改善方法的可行性。在慕尼黑大学数据集(TUM)上进行2次试验，分析绝对轨迹误差，得出改善后的LSD-SLAM系统对光照变化的鲁棒性和轨迹精度均得到提升。