移动机器人视觉SLAM中对特征点的检测与提取是一个重要的前提,其与机器人的位姿估计和环境地图构建有着直接联系。视觉SLAM系统在其实时性的准则下对特征点算法的选取有着苛刻的要求:首先,特征点的检测与提取不能占用大部分计算资源;其次,特征点算法能应对基本的场景变化问题,如图像旋转、空间尺度变化等;最后,特征追踪在恶劣环境或突发情况下仍能保持一定的稳定性。本文针对视觉SLAM对特征点算法的需求进而设计了一种融合神经网络特征点GCNv2关键点预测与神经生物学上神经旋转机理的特征点算法,称为SIGCNv2MR,并将其应用于视觉SLAM中。在SIGCNv2MR中,GCNv2被用于预测图像中的关键点,即特征点在图像中的像素坐标;神经旋转机理用于旋转关键点所在像素邻域,在图像发生旋转的情况下使得特征点的BRIEF描述子保持不变。更进一步,为了保证特征点在动态环境中的尺度不变性与提高特征计算速率,对输入图像构造图像金字塔并在金字塔中利用FAST角点检测关键点并计算其经神经旋转后的BRIEF描述子。我们在实际室内移动机器人“小强”平台上验证了SIGCNv2MR特征点算法用于视觉SLAM系统的特征点检测与提取,该视觉SLAM系统称为SIGCNv2MR-SLAM,实验结果表明了相比于常用的ORB特征点算法,SIGCNv2MR能够在图像中提取分布均匀且稠密的特征点,提高了视觉SLAM系统在弱纹理的环境中与纯旋转的运动状态下的特征追踪能力,并且图像金字塔可以克服复杂室内结构在重建时3-D点云空间的尺度扭曲问题;在机器人移动过程中,神经旋转机理解决了相邻关键图像帧中某一帧在旋转后,两图像帧中同一特征点的描述子发生改变的难点。此外,我们还在国际标准数据集上测试了SIGCNv2MR-SLAM,最终实验数据表明SIGCNv2MR-SLAM比ORB-SLAM2和GCN-SLAM拥有更高的特征追踪鲁棒性并且在位姿估计中获得更准确的运动轨迹,从而得到更精准的三维环境重建结果。