同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术的目的是使机器人在未知的环境中,并且不明确自身位置的情况下可以同时进行自身定位与构建周围环境的地图。随着机器人领域的快速发展,对视觉SLAM技术的需求也不断增加,特别是近年来深度相机的广泛应用,极大的方便了视觉SLAM的实现。经典的视觉SLAM分为前端视觉里程计,后端优化,回环检测以及地图构建四个部分,本文主要研究使用人工点特征的SLAM系统在遇到欠点特征环境时表现欠佳问题的解决方案,而欠点特征环境主要会对前端的视觉里程计以及回环检测部分产生较大影响,因此本文以模块化的方式重点研究这两部分内容。在前端视觉里程计中,针对欠点特征环境下利用点特征的视觉里程计难以估计相机位姿的问题,本文构建以线特征为核心的视觉里程计模块,避免使用点特征并提高系统精度,并引入深度图推断方法补充深度图缺失部分。利用随机采样一致性(Random sampling consistency,RANSAC)将二维线段的采样点反投影后拟合为三维线段,根据匹配关系估计相机位姿。最后在优化过程中,本文不同于使用线段端点的传统方法,而是充分利用拟合直线中的最佳过点,且引入了一个角度误差信息,推导了相应误差关于位姿扰动的雅克比矩阵,在图优化时利用重投影误差优化位姿,是对于传统优化方法的扩展。在回环检测部分,针对传统的点特征词袋模型在欠点特征环境下难以构建问题,利用基于深度学习的方法以避免使用人工点特征。通过Alex Net卷积神经网络直接提取图像特征作为图像特征向量,避免了人工特征的使用。由于特征向量往往维度巨大,并不易直接参与相似性计算,故而本文结合主成分分析(Principal component analysis,PCA)线性降维方法进行降维减少计算量,并制定相应的关键帧筛选策略,最后确定回环关系。最后,通过数据集验证算法效果。实验结果证明,以线特征为核心的视觉里程计方法由于引入结构信息,使系统精度进一步提高,并且增强了SLAM系统的跟踪性能,但在三维线段拟合以及位姿解算的运算时间方面还需进一步提升。对于基于深度学习的回环检测方法可有效找到回环关系,由于不使用人工特征,在低纹理环境下有着优于传统词袋模型的效果。