随着虚拟现实、自动驾驶和机器人等智能技术的发展,在相关的定位、建图与导航任务中,视觉SLAM（Simultaneous Localization And Mapping）成为了其理论的核心支持技术。目前大多数落地的视觉SLAM方案,主要由传感器、视觉里程计、后端优化、回环检测和建图几个模块组成,其用于视觉跟踪的视觉里程计模块依赖于手工设计的特征点而非真正的地标,这将导致SLAM系统在光照变换等复杂环境下的鲁棒性不高。因此,引入深度学习方法势在必行。本文旨在根据视觉里程计在不同环境光照下的效果分析,以传统方法为基础,通过深度学习方法,与ORB-SLAM（Oriented FAST and Rotated BRIEF-SLAM）系统相结合进行改进,并在此基础上提出一种基于环境纹理的动态阈值方法,提升视觉SLAM系统在光照变化等复杂环境下的鲁棒性和环境自适应能力。具体研究内容如下:首先,针对传统特征点提取与匹配方法对光照变化场景的鲁棒性差的问题,本文使用深度学习方法改进SLAM系统中的特征点检测和特征点匹配。通过自监督学习得到特征点检测器,并以此对图像中特征点进行检测提取。并通过使用基于图神经网络和注意力机制的特征点匹配方法,将特征点以及描述子编码成为一个特征匹配向量,随后通过学习注意力增强这个向量的特征匹配性能。通过计算特征匹配向量的内积得到匹配度得分矩阵,采用最优传输算法求解出最优特征分配矩阵。实验结果表明,改进后系统的视觉里程计部分具有更好的光照适应性和更鲁棒的匹配效果。其次,针对深度学习特征点检测器的阈值选择和提取特征点的均衡性问题,本文提出了一种基于环境纹理的动态阈值方法。通过图像中的纹理信息判断图像的特征分布情况,从而自动确定比较适合深度学习特征点检测器的超参数阈值,使得系统在不同场景环境下的都能从图像中提取到数量均衡的特征点,更利于后续的特征点匹配并以提高特征跟踪的精度。最后将上述动态阈值方法和特征点提取与匹配的深度学习方法,串联嵌入整体ORB-SLAM系统中。系统运行和实验结果均表明本文所提方法提升了SLAM系统的泛化能力,增强了系统在光照变化等复杂场景下的鲁棒性。综上所述,本文针对不同环境光照下SLAM系统的鲁棒性较弱问题,开发出一种基于深度学习特征点提取与匹配和动态阈值的改进ORB-SLAM系统,有效提升了SLAM系统的光照自适应性,该系统可以推广应用于更多复杂场景任务。