定位导航和环境感知是机器人实现自主化所需解决的最基本的问题,而SLAM就是针对这个难题而提出的解决方案。由于相机具有成本低、轻巧、获取信息量丰富等诸多优点,基于视觉的SLAM系统逐渐成为机器人研究的热点。视觉SLAM的一个重要功能就是依靠相机获取的图像对自身进行运动估计,因此本文主要研究视觉SLAM系统中用于定位的两个模块——视觉里程计和回环检测。当前视觉里程计的研究大多基于场景中绝大部分物体都是静止的这一基本假设,实现对相机自身的定位。如果环境中存在运动物体,相机自定位会出现很大的误差。针对动态环境下的视觉自定位问题,本文提出了一种基于特征点分割的双目视觉里程计算法。该算法通过提取并匹配当前帧和关键帧图像中的特征,并根据匹配的特征点计算图像之间的位置和姿态变换。为消除环境中运动物体的干扰,通过对极约束的原理来分割图像中的静态特征和动态特征,并基于静态特征点进行运动估计,实现相机在动态环境中的自定位。回环检测作为视觉SLAM系统的重要部分,可有效减小视觉里程计在定位过程中产生的累计误差。本文提出了一种基于卷积神经网络的回环检测算法,不同于以往工作中的直接将模型生成的高维特征向量用于回环检测,本文在使用CNN模型提取关键帧的特征后,对特征向量进行降低维度和二值化的预处理,从而大幅提高检测回环时的计算速度。实验结果表明,相比于传统的回环检测方法,算法在保证召回率和准确率的同时,大大提升了特征向量的匹配速度。