同步定位与建图技术（SLAM）,它是在多个领域都有所应用的关键技术,例如无人驾驶汽车,增强现实技术（AR）,四轴无人飞行器,测绘,自主机器人等领域。SLAM为了获取到更多方面的信息,使用了许多不同方面的传感器有激光雷达,单目相机,双目相机,RGB-D相机等等传感器。其中单目相机属于基础的传感器,它具有低廉的价格,能够很好地与其他的信息相融合的优点,而其他类型的相机都是基于单目相机进行的改进,所以单目相机SLAM也就是这个领域里的最重要的组成部分。目前基于RGB-D相机的视觉SLAM能够构建出稠密地图,并且相对比较稳定。而且RGB-D相机获取的信息相对于之前的传感器会更多。在无人飞行器领域更多的是使用的GPS进行定位,但是GPS定位处于室内封闭环境,处于隧道,洞穴等信号弱的环境中常常会失去效果。在这样的环境中通常是通过人工控制它的移动。就目前而言,越来越多的研究人员对SLAM领域开始了研究,现有的SLAM系统大多是基于传统人工的选取特征方法进行移动机器人轨迹估计和三维环境地图构建,这些传统的SLAM具有计算量小,快速以及高效的特点。而且对于基于深度学习的SLAM系统并不能够完全取代传统的基于人工选取特征的系统。本文对于VSLAM领域进行了研究,主要针对于视觉里程计算法和回环检测算法,这两部分提出了一些自己的想法。本文提出了一种基于对称视网膜特征和动态物体检测的视觉里程计算法。这个视觉里程计的具体流程如下:RGB-D相机传入新的图像时,通过对称视网膜特征提取算法提取特征点。同时对于这帧图像通过动态物体检测算法检测出图像中存在的动态物体。该算法以YOLOv3为基础,通过减少模型的层数,从而提高算法的速度,并与特征提取算法并行执行,进而满足SLAM算法的实时性。然后通过动态物体的位置对提取出的特征点进行筛选,剔除动态物体以及在它附近的特征点。之后对该帧进行关键帧判定,最终通过基于关键帧的位姿估计,计算出当前帧的位姿。本文提出了一种基于VGG-19模型和局部敏感哈希算法的回环检测算法。这个回环检测算法的具体流程如下:传入新的图像时,通过改进的VGG-19模型提取出图像的特征向量。为了提高回环检测的速度,本文通过channel pruning模型压缩算法对特征向量提取模型进行剪枝,得到了深度压缩网络,使得模型的速度得到提升。然后将这些向量构建成基于余弦距离的局部敏感哈希表,将待匹配的图像提取出特征向量,并对该特征向量进行查询,将相似度高的特征向量与待匹配图像进行余弦距离匹配,如果确认是闭环就对地图进行修正。同时对视觉里程计算法中筛选出的关键帧,构建出具有显著特征的哈希表,进一步提高回环检测的速度。为验证本文中构建出的SALM算法的稳定性和实时性,对本文的SLAM算法与ORB-SLAM2和ORB-SLAM3两种SLAM算法进行实验对比。实验结果证明,本文的SLAM算法实时性和定位精度上都要优于ORB-SLAM2。与ORBSLAM3算法相比,本文SLAM算法的定位精度较ORB-SLAM3算法低了13%左右,但是可以满足实时性SLAM对这方面的需求,并且将平均运行时间在ORBSLAM3的基础上缩短了38.8%左右。本文SLAM算法在室内动态环境中较室外复杂环境表现的更加出色。