同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）作为自动导航技术的核心,发挥着至关重要的作用。在SLAM常用传感器中,相机凭借着丰富的图像表示以及价格低廉等优点受到研究者们的青睐。基于相机传感器的SLAM,又称之为视觉SLAM,相机位姿估计是视觉SLAM的基础模块。位姿估计的精度将直接影响后续建图与定位的结果,实现鲁棒且高精度的相机位姿估计对自动导航技术具有重要的意义。然而传统单目算法缺失尺度信息,并且无法鲁棒地应用于存在遮挡以及动态物体的场景。针对上述问题,本文分别从对极几何和深度学习的角度对相机位姿估计展开研究,主要工作和创新点如下:（1）本文提出了一种平面运动下的相机位姿估计算法。通过将相机的y轴与地平面的法线对齐,可初步估算出偏航角和滚转角。在这种情况下,算法只需要关注3自由度的相对位姿估计。基于广义对极几何建立起几何约束,并通过隐藏变量技术推导了闭式解和近似解两种解法,证明了闭式解可以得到6个实数解的6次多项式和近似解可以得到3个实数解的3次多项式,继而恢复图像之间的相对位姿。实验结果表明,与其他的最小化算法相比,最小化3点法的运行速度更快,且在KITTI数据集上的误差更小,能够鲁棒地应用在实际场景中。（2）本文提出了一种端到端的相机位姿估计算法。该算法采用卷积神经网络和循环神经网络相结合的方式实现了端到端的相机位姿求解,不需要传统几何法中的任意步骤。在卷积神经网络提取完图像特征后,循环神经网络对特征张量进行时序建模。针对遮挡以及动态物体,网络层中引入了共同注意力机制来校准特征。为了加强图像序列间的几何一致性约束,本文设计了一种轨迹一致性的损失函数。实验结果表明,该方法能够准确地估计出相对位姿,并生成与真实尺度一致的运动轨迹。