随着科技技术的快速发展,具有自主导航功能的移动机器人已经进入到了巡检、救援以及安防等各个领域。为实现移动机器人的自主导航,需要提前为移动机器人建立导航地图。目前,为移动机器人建立导航地图主要采用的是激光雷达传感器,但由于激光雷达传感器价格昂贵,遇到不反光或黑色的物体时容易产生错误的测量,影响定位与建图的准确性,因而采用视觉传感器完成定位与建图逐渐成为一个重要的研究方向。当前,基于视觉传感器的定位与建图算法在室内能够取得不错的效果,但在室外大尺度环境下存在精度低、鲁棒性弱等问题。一般移动机器人需要满足室外大尺度环境下的自主移动,因而本文将构建移动机器人大尺度建图算法,本文中大尺度是相对于室内封闭环境的小尺度而言。由于移动机器人在大尺度环境中面临环境复杂（弱纹理和光照不足区域）以及信息量大等问题,传统大尺度建图算法在大尺度的环境中的深度估计误差随着深度距离呈平方式增长,远距离重建误差较大,特别是在物体边缘区域附近建模容易发散,产生较多噪声,最终影响大尺度建图算法的精度和鲁棒性。为减小传统大尺度建图算法中的深度估计误差,本文提出了一种改进组间关系来构造匹配代价卷的深度学习体系结构,该网络由特征提取模块、交叉形式空间金字塔模块和三维特征匹配融合模块组成。基于该网络模型训练之后的立体匹配算法在KITTI数据集上进行实验表明,较之前的立体匹配算法在匹配精度和效率方面具有一定的改善。虽然基于深度学习的立体匹配算法能够提高立体匹配的精度和效率,但当现实的大尺度场景与训练图像场景相似度较低时,深度估计出错概率较大。为了弥补该缺陷,本文设计深度估计融合模块,将传统的深度估计模块与基于深度学习的深度估计模块融合。基于光学一致性原则设计深度图像选择模块,进而提高大尺度建图算法的普适性。本文构建的大尺度建图算法分别在KITTI数据集和真实场景中进行实验。在KITTI 03、05、07、08序列的数据集中,验证了本文大尺度建图算法满足准确性的要求。在真实场景的闭环、弱纹理和弱光照区域进行建图实验分析,实验结果表明,本文的大尺度建图算法在真实场景区域建图时,建图的轨迹精度同样能得到保证,验证了本文算法具有较强的鲁棒性。