视觉SLAM即相机视角下的视觉同时定位与地图构建。随着人工智能及科学技术飞速发展,智能机器人应运而生,它在未知环境中的感知及理解问题,使得视觉SLAM成为计算机视觉领域研究的热门方向。其中,基于视觉SLAM的认知识别问题是机器人实现自主导航与避障、人机交互等复杂任务的前提,受到人们的广泛研究与关注。近年来,深度学习在计算机视觉领域有了重大突破,本文基于视觉SLAM感知及理解环境的研究现状,针对室内动态环境,探索深度学习在SLAM中的应用方案,并进行一定改进及创新。完成的主要研究及成果如下:1、视觉SLAM在动态环境下易受运动目标的影响,针对无法准确对相机位姿进行估计的问题,提出了一种基于深度学习轮廓分割的视觉里程计算法。将深度学习中目标检测的高识别率与景深信息相结合对目标进行准确分割,通过人为设定目标的动态可能性概率,通过帧间比较,判断目标产生相对运动的可能性,并增大此目标为动态目标的概率值,由最终的目标概率值判断目标是否为动态目标,若为动态目标则剔除区域内动态特征点,以增强系统位姿估计的鲁棒性和地图质量。2、针对视觉SLAM前端视觉里程计采用传统深度学习方法检测动态目标增加了时间成本的问题,本文引入轻量级网络mobilenet-yolov3对目标进行检测,由于mobilenet-yolov3参数量更少,速度有一定的提升,能为前端视觉里程计的时间成本问题进行改善。3、为提高目标识别精度,开展检测算法优化研究,提出了深度学习目标检测算法结合无边界主动轮廓ACWE算法的目标检测模型,将识别结果作边界框增大处理后,利用ACWE模型对深度图中目标范围内边缘进行检测,提升目标分割精度,得到目标相关信息,如目标的类别、位置等高层信息,从而为SLAM建图奠定坚实基础。4、搭建视觉SLAM系统,构建全局一致的三维环境点云地图,进一步将生成的点云图与目标检测获得的高层信息相结合,实现对室内环境的三维几何信息与一定意义上的高层信息描述,系统测试结果表明,本文构建地图能同时具有含有三维几何信息与一定程度的高层信息描述,对促进机器人认知识别与环境理解具有重要意义。