随着科技的蓬勃发展,智能机器人走入了我们的生活,为我们的衣食住行带来了许多便利。智能机器人可以代替人类去一些极端、危险、人力所不能及的环境进行工作,因此需要具备自主导航和避障的技术,而SLAM（同时定位与地图的构建）算法可以帮助智能机器人实现导航、定位、建图等功能,是智能机器人不可或缺的一部分。近年来,视觉SLAM算法日趋成熟,难有大的理论突破,深度学习技术则日新月异,在很多方面都取得了很大的进展。人们将目光聚焦在深度学习技术和视觉SLAM算法相结合这方面,得到了不错的结果。而在相机方面,单目相机成本低、结构简单、适合市场化且可以应用于多种场景,因此本文使用单目相机且在目前工业界应用最广算法之一的ORB＿SLAM2算法上进行改进。针对以上情况,本文实现了基于深度学习的单目SLAM算法,研究工作总结如下:（1）针对雨天相机图像模糊且受到雨线遮挡的情况,本文提出了基于深度学习的单幅图像去雨和深度估计的算法,使用多任务学习的方法实现了图像的同时去雨和深度估计。本文基于卷积神经网络实现了一个编码器-解码器结构的算法,其中解码器部分使用反卷积的方法分别回归大气光图、直接去雨图、雨条纹图、传输图、直接深度估计图,之后获取最终去雨图和直接深度估计图。最终去雨图通过Canny算子提取边缘之后和直接深度图进行级联信息融合获得最终的深度估计图。损失函数方面加入了深度和传输图一致性损失同时提升图像去雨和深度估计的效果。合成了有雨的数据集NYU＿rain和Outdoor＿rain并在上面进行了实验,在有雨图像上深度估计的精度比现有算法更好,运行速度上本文同时进行深度估计和图像去雨比现有分别进行图像去雨和深度估计的算法速度更快。（2）针对单目SLAM算法面临的难题,本文设计并实现了基于深度学习的单目SLAM算法,依据深度学习获取的稠密深度图得到绝对尺度的深度信息,解决了尺度不确定和漂移的问题。介绍了算法的整体框架和在初始化、运动估计、稠密点云重建三个模块上具体的实现步骤。结合了深度学习获取的稠密深度图,在初始化时确定了精确的尺度。为了减少计算量加快算法速度,只估计关键帧的深度信息,在运动估计时使用RANSAC算法通过关键帧的深度信息对非关键帧的尺度进行矫正。假设逆深度符合高斯分布,使用极线搜索和块匹配的方法,重建非关键帧的稠密深度图,并使用稠密深度图重建稠密点云图,同时获取轨迹信息和场景信息。在TUM数据集上进行实验并得到了不错的结果。