随着科技的不断发展,移动机器人技术逐步走出实验室,融入到国民的日常生活中。同步定位与建图（Simultaneous Localization and Mapping,SLAM）算法是移动机器人探索未知环境的基础。相较于雷达,相机具有信息丰富、结构简单、安装方式多元化等特点,因此基于相机的VSLAM（Vision Simultaneous Localization and Mapping,VSLAM）成为了机器人技术领域的研究热点。在家用环境中具有光线不足、运动模糊等环境多变的特点,如何提升家用移动机器人定位与建图的精度是该领域的研究难点。首先,本文比较了国内外VSLAM技术的研究现状,研究了基于深度学习的VSLAM相关算法,构建了基于深度学习的VSLAM系统的总体框架,分析了该系统各部件的实现原理。其次,本文针对基于深度学习的视觉里程计算法在光线不足、运动模糊等家用环境中图像特征表述不准确、有效特征提取不足导致位姿估计精度不高且鲁棒性较差的问题,提出了基于长短期记忆双流卷积神经网络的视觉里程计算法。该算法首先通过卷积神经网络的双流架构,将深度图像序列中的轮廓特征作为彩色图像序列中彩色特征的补充引入位姿估计系统,然后将彩色特征图谱与轮廓特征图谱进行融合,最后由长短期记忆循环神经网络（Long Short-Term Memory,LSTM）进行时序建模,估计当前时刻位姿。在TUM数据集上进行实验验证得出,本文提出的改进算法具有更高的精度,在光线不足、运动模糊等家用环境中具有更好的鲁棒性。然后,本文针对卷积神经网络（Convolutional Neural Network,CNN）忽略了浅层特征、不能有效利用轮廓、纹理、形状等细节信息的问题,提出了基于双流架构的多级信息融合算法。该算法首先将双流卷积神经网络中彩色流和深度流的浅层特征与深层特征分别进行拼接,生成彩色拼接特征和深度拼接特征,然后将彩色拼接特征和深度拼接特征进行叠加融合,生成复合特征图谱,最后将复合特征图谱输入LSTM进行时序建模,估计当前时刻位姿。在TUM数据集上进行实验验证得出,采用本文融合算法构建的视觉里程计系统具有更高的精度和鲁棒性。最后,本文设计并实现了基于深度学习的家用移动机器人,并在实验室模拟家用环境进行了综合实验测试。实验结果表明,搭载本文改进算法的移动机器人在模拟家用环境中具有较好的定位与建图效果。