视觉里程计（Visual odometry,VO）是通过视觉传感器来获取运动物体的位姿的一种方法,在自动驾驶、机器人自定位和增强现实等方面发挥了重要的作用。由于其低廉的成本和广泛的应用场景,近年来成为视觉领域一个讨论和研究的热点。基于几何法的传统视觉里程计十分依赖特征的选取和匹配结果,并且单目VO还存在尺度不确定的问题。而随着近年来深度学习的兴起,深度神经网络在各种视觉任务中都得了不错的成果,因此利用深度学习解决视觉里程计问题逐渐成为一种新的思路。本文以视觉里程计问题为研究主体,以深度神经网络为研究工具,提出了一种基于卷积神经网络（Convolutional neural Network,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）的视觉里程计框架。该框架是一种端到端的神经网络,输入为连续的单目RGB图片,输出即为求解的相机位姿,在KITTI VO和TUM数据集上的实验证明,本文的方法在预测准确度上优于传统的几何法和其他基于深度学习的方法。本文的主要研究工作如下:（1）把视觉注意力机制引入视觉里程计框架中的特征提取子网。提出两种作用于高分辨率和低分辨率特征图的视觉注意力机制改进特征提取模块。添加视觉注意力机制的目的是在特征提取过程中加强有效特征,抑制无用特征和噪声。在此基础上提出添加视觉注意力的CNN和解耦合的LSTM组成的视觉里程计框架,实验证明,该网络在预测精度上要高于不添加视觉注意力机制的网络和其他传统方法。（2）利用基于上下文机制的LSTM和双向长短期记忆网络（Bidirectional LSTM,Bi-LSTM）作为时序建模子网,并以此为基础结合视觉注意力机制的特征提取子网设计了两种视觉里程计网络。基于上下文机制的LSTM的主要特点是利用上一时刻LSTM单元的隐藏状态来校正当前时刻的输入;Bi-LSTM的主要作用是利用过去和未来的信息同时约束这一时刻的单元输出,本质上都是利用上下文信息来约束当前时刻。实验证明,结合视觉注意力机制和上下文机制的深度神经网络比传统方法和其他深度方法预测准确率更高,误差更小。（3）设计实现了基于深度学习的视觉里程计系统仿真平台。以连续图片序列为输入,通过选择适合的预训练网络计算估计出每一时刻的相机位姿,并提供与真值数据的各种误差指标。