同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）是机器人领域的重要研究问题,实现了机器人搭载相机和激光雷达等传感器在未知环境中对自身定位同时构建地图的任务。近年来,随着增强现实和自动驾驶等应用的兴起,视觉SLAM（Visual SLAM）研究受到了广泛的关注。VSLAM以图像作为主要感知信息源,通过多视图几何理论估计相机位姿和构建3D场景。视觉里程计（Visual Odometry）可以说是VSLAM最重要的组成部分,是自我定位和地图绘制的基础工作。近年的工作表明,可以使用未标记的单眼视频来训练深度预测和自我运动估计的卷积神经网络。但是,由于缺乏适当的约束,网络在不同样本上输出比例尺不一致的结果,即,由于每帧比例尺的歧义性,自我运动网络无法在较长的视频序列上提供完整的摄像机轨迹。本文基于深度学习方法设计了一种端对端的视觉里程计网络,组件为相机自我运动估计网络和图像深度预测网络,原理为通过预测的深度和自我运动将一帧图像变形为另一帧图像,利用图像重建损失作为监督信号来训练网络,整个过程可以利用双目视频序列,也可以只在单目视频上进行训练,而在单目视频上训练时,整个网络便是完全无监督的。在传统的视觉测程定位方法中,往往利用训练视频本身的环路检测来辅助校准自我运动。但在深度学习方法中,长视频的环路检测变得难以实现,因此本文提出了在10帧以内的相关帧中构成环路并使自我运动与环路的不匹配性也加入监督信号的方式来辅助训练。这一想法同时解决了深度预测网络与自我运动估计网络在尺度上不一致的问题。在KITTI数据集上的测试结果表明,局部环路检测的加入使自我运动估计的准确度大幅提高。我们的视觉测程精度与使用立体视频训练的最新模型相比同样具有竞争力。最后,本文在CNN能从单目图像提取到相对深度信息的启发下,提出了物体大小估计网络,对单目图像中的物体实际大小进行估计,以获取现实尺度与图像像素的对应关系。通过与之前训练好的深度预测网络进行比对,获取深度预测结果与现实尺度的比例,进一步地,将这一比例应用在自我运动轨迹上,以做到从单目视频序列预测出具备现实尺度的自我运动轨迹。