随着无人驾驶汽车、增强现实和虚拟现实等技术的快速发展,同时定位与地图构建（Simultaneous localization and Mapping,SLAM）作为其中的关键技术成为了研究热点。根据使用的传感器,SLAM分类不同,相比于激光雷达,视觉传感器成本较低,而且获取的信息丰富,使得以之为基础的视觉SLAM得到了更加广泛的认可和应用。视觉SLAM主要分为特征点法和直接法。特征点法依靠特征提取与匹配来间接的跟踪相机位姿,对光照变化不敏感,鲁棒性较好,但存在特征提取与匹配比较耗时问题,同时面对特征缺失场景算法易失效。直接法直接利用像素信息来估计相机位姿与构建地图,可以节省对特征提取与匹配的时间,使得算法的速度更快。但由于它基于灰度不变假设,所以对场景光照变化很敏感,在低照度场景下并不适用,对图像质量的要求也较高。本文针对以上问题,对基于直接法的单目视觉SLAM技术展开了深入的研究。首先,针对直接法中的灰度一致性假设单独设置增强方法对图像进行优化,使增强效果不断逼近假设条件。借助深度学习设计了一种图像增强方法,同时,由于成对的图像数据集难以获取,选择无监督的生成对抗网络方法,将连续图像中的光度条件进行提取并分散,使每一帧图像的照度均匀化增强,减小低照度和光照突变产生的影响,使用公开数据集进行验证评估,并取得了较好的结果。其次,设计并实现了基于直接法的视觉SLAM。直接法建立在灰度不变假设的基础上,而相机曝光参数,透镜的渐晕衰减和相机响应函数等因素会在一定程度上打破该假设。本文通过高斯-牛顿法最小化光度误差并使用深度学习中的对抗神经网络进行联合光度优化来获得相机位姿和点云地图参数,减小了算法的累积误差,并且通过相关的公开数据集对本文视觉里程计算法进行对比评估,并取得了较好结果。最后,在前述得到的视觉里程计基础上,设计搭建了用于单目视觉SLAM测试的移动机器人平台。该平台由Nano主板、STM32主板以及单目相机和小车运动底盘组成,通过ROS（Robot Operating System）操作系统来实现算法的运行和小车的移动。设计了多组场景的对比实验,验证了本文算法的累积误差和建图细节的优越性以及在实际场景中运行的有效性。图[67]表[3]参[61]