视觉同步定位与建图（Simultaneous Localization and Mapping,SLAM）系统对于智能移动机器人实现自主探索与导航具有重要意义。目前的视觉SLAM系统面临着传统方法的发展已经饱和难以继续提升。传统方法有着计算流程专用固定、鲁棒性差、不同场景适应能力差、硬件加速困难等问题。现在相关研究多集中在用基于卷积神经网络（Convolutional Neural Networks,CNN）的方法替换原有功能模块,但仍然面临着如基于CNN的端到端SLAM方法无法进行后端轨迹优化致使在精度上明显低于传统SLAM方法、计算量大无法在嵌入式计算平台上实时运行等问题。因此本文针对目前嵌入式同步定位与建图系统中存在的关键技术难点从软件算法和硬件实现两个层面进行了相关研究,主要工作和创新点如下:（1）本文设计的SLAM系统前端采用两个视觉里程计,一个是高运行速度但精度较低的基于CNN的端到端视觉里程计,另一个里程计是低速度但高精度类型。通过将高精度视觉里程计间隔帧输入后的位姿关系结果作为进行后端局部轨迹优化的条件,为端到端的视觉里程计的轨迹优化提供了方案。同时结合了高精度视觉里程计直道上的精度优点以及低精度视觉里程计速度上的优势。（2）本文在后端优化策略方面,采用了基于滑动窗口的局部优化和基于关键帧的全局优化共同进行的优化策略,在保证优化精度的前提下降低了计算量。算法层面采用了位姿图优化的算法,避免了在更大的场景中的大量特征点会导致计算效率降低的问题,同时修改了部分G2o优化库的算法,使其对于早期帧的置信度高于后期帧,避免了在全局优化时修改了原本精度较高的早期帧的位姿。在对整个系统的精度以及速度测试中,本文方法相对其它SLAM方法具有一定优势,在配备有intel i7-8750h和NVIDIA 1080TI的硬件平台上实现了实时运行。（3）本文为前端的基于CNN的视觉里程计方法设计了专用的硬件加速结构,并在嵌入式计算平台ZCU102上部署实验。在前向推理阶段进行了网络数据格式的定点量化。采用的硬件设计计算速度优化策略包括了卷积计算单元的大规模并行计算、计算流程的流水线设计、网络计算中间参数的访存优化。最后的验证实验表明,对网络计算数据格式进行定点化可以在牺牲小部分轨迹精度的情况下大幅减少计算量,结合本文设计的硬件加速电路结构,使得整个系统可以在嵌入式计算平台ZCU102上实现了实时计算。并且与传统通用芯片以及同类CNN加速器对比,本文的设计的CNN网络加速器在计算性能、功耗和能效方面均具有优势。