同时定位与构图(SLAM)是人工智能领域的一个重要研究问题,是无人驾驶、智能机器等实现自主定位和导航的关键技术,在民用和军用领域都具有广泛的应用价值。本文以单目视觉SLAM为研究背景,研究了SLAM的前端——视觉里程计技术和基于深度学习的闭环检测技术。本文着重研究了半直接法单目视觉里程计算法和基于上下文深度哈希的闭环检测算法,主要内容如下:分析了视觉里程计和闭环检测的相关技术。首先,从特征点法和直接法两个方面分析了视觉里程计技术,并对其工作原理进行了详细地推导。然后,从传统的基于词袋的方法和目前的基于深度学习的方法两个方面分析了闭环检测问题,并对存在的问题进行了剖析。研究了基于固定地图的半直接单目视觉里程计算法。首先介绍了第一个将特征点法和直接法结合起来的视觉里程计算法——SVO算法(Semi-Direct Visual Odometry)。然后从整体框架、运动估计模块、构图模块三个部分详细分析了该算法,并剖析了该算法存在的问题。针对SVO算法中初始化过程较慢的问题,提出了一种用局部地图代替增量式地图的方法,将初始化过程分摊到各个局部地图的建立中,提高算法的灵活性;针对SVO算法中误差漂移问题,提出重定位方法抑制长距离运动的误差累积。最后,在KITTI和EuRoC两个公开数据集上的实验结果表明,本文所提出的算法在精度和鲁棒性上都有所提升。研究了基于同时特征学习和哈希编码的闭环检测问题。首先,从算法设计动机、深度学习网络框架、特征学习和融合方式等方面对算法进行了详尽分析,并提出了算法存在的问题。然后针对原算法中将特征学习和哈希编码分步学习的情况,提出了一种同时特征学习和哈希编码的端到端的学习方式,增加特征学习和哈希编码的反馈机制,降低分步学习的多次量化误差。同时,针对原算法运算速度慢的问题,通过对鲁棒特征的位置进行聚类减少了需要学习的上下文图像块的个数,从而提高运行效率。最后,在TUM数据集和New College数据集上的实验结果表明,所提出的改进算法相较于原算法不论是在精度还是在运算速度上都有所提升,本文算法运算速度相比于原算法有将近一倍的提升。