室内定位在人们的生活、工作与学习中扮演着重要的角色,为人们的衣食住行提供着巨大的便利。主流的室内定位技术针对不同场合使用不同的定位方法,面临着场景应用中的各种功耗、成本、定位精度低等局限性问题。随着计算机视觉技术的不断发展,深度学习方法为室内场景重定位提供了一种新的基于视觉的重定位技术。提出一种基于级联深度神经网络的场景重定位算法,只需输入单张RGB图片,即可给出该张图片的相机姿态,实现场景的重定位。通过对室内场景重定位问题形式化描述,利用卷积神经网络设计一种姿态检索模型,并采用一种同方差不确定性损失进行监督训练,让网络理解提取场景中的各种空间信息、语义信息等,构造一个姿态检索特征库。然后,再提出一种基于深度神经网络的点匹配模型,让网络充分理解提取场景中的点特征,来替代传统手工特征的提取与匹配,并构造一个地图点特征库。进而,利用该级联网络,将测试图片的姿态特征,在地图姿态特征库中检索与其最近的Top K张图片,从而极大的缩小场景估计范围。再用这检索的库图片所对应的地图点特征与测试图片使用点匹配网络提取的点特征进行匹配,提供一种更加精确高效的匹配特征点,最后联合多视图几何法,端到端的估计出该张图片的相机姿态,实现室内场景的重定位。将使用姿态检索模型直接回归的方式,同使用级联网络进行检索匹配并联合多视图几何的算法,和现有的代表算法,在相同的7-Scenes数据集下进行实验。结果显示,使用级联神经网络对姿态特征进行检索与匹配的方法,要优于直接使用神经网络进行回归的算法,与Pose Net、Pose LSTM等相比较,平移误差和旋转误差都有显著的降低,算法精确度提升明显。