视觉里程计（Visual Odometry,VO）是从连续的图像序列中估计相机自运动的一种计算机视觉技术,它可以恢复相机的6自由度（6-Do F）相对位姿。随着深度学习的快速发展,基于卷积神经网络的视觉里程计在无人驾驶和机器人视觉导航等方面都获得了令人满意的性能。考虑到有监督的深度学习方法其性能依赖于大量且高质量的标注数据,而在实际应用中往往难以获得这类大量且高质量的标注数据。因此,本文围绕无监督视觉里程计方法开展研究。无监督视觉里程计方法是利用图像相邻帧之间的亮度一致性约束。然而场景中的非刚性运动和遮挡都会导致这个约束条件不成立,从而造成相机位姿估计误差。并且这个误差会随着时间进行累计,进而导致视觉里程计中的漂移问题。本文针对上述问题,提出一种基于刚性感知和生成对抗网络的无监督视觉里程计方法,它可以有效地提高相机位姿的估计精度,从而减少累计误差。本文的主要工作如下:（1）第三章提出了一种基于光流-深度-位姿联合学习的无监督视觉里程计方法。为了提高相机位姿的估计精度,本文结合光流法和由粗到细（coarse to fine）的思想,设计了一种融合光流运动特征的精确相机位姿估计模型,即Flow-Pose Module（FPM）。它可以让神经网络充分利用光流和相机位姿之间的内在联系来加强对相机位姿的学习能力。进而提出了一种FPM的迭代优化策略,它是基于相机位姿解耦的相机姿态估计结构,并通过循环单元FPM迭代更新相机位姿。在每次的迭代更新中,它会根据先前估计的相机位姿学习到一个残差的相机位姿,并生成一个精度更高的相机位姿估计。（2）第四章针对在动态场景中非刚性运动和遮挡对视觉里程计的影响,本文在第三章的基础上提出了一种基于刚性感知和生成对抗网络的无监督视觉里程计框架。该框架包含了一个刚性感知生成器和一个刚性掩码判别器。通过充分利用生成对抗网络的训练机制,它结合了像素级和结构级的刚性感知,然后用于提高相机位姿估计。最后,为了证明所提出网络模型的性能,在KITTI数据集上对所提的算法模型进行了训练和测试。并且通过与其他视觉里程计算法的结果对比表明,所提的算法模型具有一定的有效性。