近年来,信息化产业飞速发展,在这个人工智能热潮不退的时代,各行各业都加入到无人化设备的研发当中。其中,智能机器人扮演着十分重要的角色。小到室内的无人扫地机器人,大到室外的无人驾驶汽车,都需要依赖同时定位与地图构建（Simultaneous Localization and Mapping,简称 SLAM）技术。智能机器人需要在运动时实时感知自己在三维空间中的位置与朝向,保证自己能够精确定位。此外,还需要构建出环境地图,从而完成路径规划与智能避障的任务。视觉传感器与激光传感器相比,具有价格和重量方面的优势,因此基于视觉的SLAM技术备受关注。随着SLAM应用场景的不断增多,对系统的精度和稳定性要求也越来越高。随着深度学习技术的不断发展,现在已经有许多学者着手研究基于深度学习的视觉SLAM方案,以期望获得更好的精度和更强的鲁棒性。目前基于深度学习的视觉SLAM技术已经取得了很多突破性进展,尤其是在图像的特征提取与匹配方面更是表现出十分优异的性能。但是除此之外,现有的技术还存在着一些亟待解决的问题。一方面,基于单目深度估计的视觉SLAM虽然能够解决许多原有基于单目设备的SLAM方案的短板,但是往往由于预估的深度信息不够准确而导致位姿估计和稠密重建的精度不尽人意。另一方面,基于深度学习的相机重定位方法在面对复杂场景或是具有噪点的图像时,重定位精度急剧下降,系统稳定性不高。针对上述问题,本文深入研究了融合多神经网络的改善视觉SLAM技术,提出了基于单目深度估计的室内定位与三维重建方法以及基于图像去噪和CNN-LSTM（Convolutional Neural Networks and Long Short-Term Memory）的相机重定位方法,以期望获得精度更高的位姿估计、效果更好的三维重建和重定位效果。总的来说,本文的主要贡献如下:1)针对目前已有的基于单目深度估计的视觉SLAM方案精度不高,无法准确进行后续位姿估计和稠密重建的问题,本文提出了一种基于单目深度估计的室内定位与三维重建方法。基于迁移学习和CNN的单目深度估计模型,通过编码-解码结构能够很好的预测图像的深度信息。在获得准确的深度信息后,通过前端的ORB（Oriented Fast and Rotated Brief）特征提取与匹配以及后端的直接RGB-D的BA（Bundle Adjustment）优化来实现基于单目设备的室内定位与三维重建。实验对比表明,本文使用的模型能够获得精度更高的深度信息且在公开的TUM数据集上也有较好的位姿估计与稠密重建表现。这表明本文提出的方法能够在弥补传统单目SLAM不足之处的同时,也保证较高的定位与建图精度。2)针对目前已有的基于深度学习的图像去噪技术在去噪后容易在尖锐边缘生成伪像,且单个模型不能够解决不同噪声水平的去噪任务的问题,本文提出了一种基于空洞CNN的噪声水平可调的高斯去噪方法。该方法通过加入一张与输入图像相匹配的噪声水平图来使训练后的模型具有噪声水平可调的能力。此外,在减少空洞卷积率的同时,使用可逆的下采样技术,在不增加参数和网络层数的情况下,能够扩大卷积核的感受野,以获取更好的背景信息。在公开数据集上的实验结果表明,本文提出的方法能够在获得GPU加速的同时具有可调噪声水平的能力,客观评价的PSNR值更高且去噪后的图像在细节方面得到了更好的保留。因此将这样的模型应用到后续的去噪预处理是十分合理的。3)针对目前已有的基于深度学习的相机重定位方法在面对杂乱无章的场景或是噪点过多的图像时精度急剧下降的问题,本文提出了一种基于图像去噪和CNN-LSTM的相机重定位方法。首先,使用本文提出的图像去噪方法来对数据进行预处理,缓解由于噪点过多带来的精度下降问题。然后,使用CNN来学习去噪图像的深度特征信息并使用LSTM来获取更为抽象的深度空间信息,从而能够回归相机的六自由度位姿。最后,在公开数据集上进行实验并与当前主流的算法进行对比,结果表明本文提出的方法在复杂的场景中也能够十分准确的预测相机六自由度位姿,在提高相机重定位模型精度的同时也增强了系统的鲁棒性与实时性。本文深入研究了融合多神经网络的改善视觉SLAM技术。基于单目深度估计的室内定位与三维重建方法可以获得更好的位姿和重建效果。基于图像去噪和CNN-LSTM的重定位方法能够回归更为准确的六自由度位姿。这为智能机器人领域提供了更多的选择。