随着科学技术的高速创新、物质水平的提高,人们对室内定位服务的需求也逐渐变得强烈,科研人员对于双目视觉的三维重建已不再满足于单纯的重建与构图研究,并且随着新冠肺炎疫情的常态化,各种功能的室内移动机器人受到社会各界的追捧。视觉定位和深度学习的学习热潮兴起,科研学者对同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）的优化算法更加关注,无论是单目/双目视觉与其他算法的融合,还是对视觉SLAM的特征改进、图优化等,无一不是为了能够实现精准定位,更好的提升定位性能。本文基于双目视觉系统、深度学习,通过对双目视差问题中,左右图像与视差图之间关系的深入分析,理解双目重建的基本原理,分析了双目系统中校正与匹配算法、特征匹配、以及基于深度学习的检测算法,提出了双目视觉与深度学习的结合,解决目标检测的精确度问题。主要集中于改进Faster RCNN的目标检测和匹配优化,实现在三维空间内对目标的识别和定位的研究。本文的研究内容及框架如下:1、针对双目视觉的基本理论、定位原理,坐标系间存在的映射关系、成像原理、张正友标定法,通过标定实验获得相机的内外参数、畸变参数,分析畸变原理、极线校正、立体匹配算法,如绝对误差和（Sum of Absolute Differences,SAD）算法、误差平方和（Sum of Squared Differences,SSD）算法、归一化积相关（Normalized Cross Correlation,NCC）算法,完成标定实验,获取标定误差,比较SAD、SSD、NCC算法,得到深度图,并得到单纯使用双目系统时,目标物体与当前的距离,还有其定位的坐标。2、以深度学习中,卷积神经网络（Convolutional Neural Networks,CNN）算法模型为基础,解决学习框架、算法选择等问题。研究了特征匹配算法、深度学习的各网络架构、训练方法以及网络训练过程中可能出现的问题,分析了CNN的结构、Single Shot Multi Box Detector（SSD）模型以及Faster RCNN模型,提出了基于改进的Faster RCNN目标检测算法,并与优化后的算法比较,验证了此算法能快速检测物体、且有较高的准确率。3、在前面研究的基础上,更深层次的分析了双目视觉实现三维定位的原理,提出了深度学习和双目视觉结合的目标检测算法,实现了对目标进行三维信息的识别与重建。