同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术是实现机器人自主移动的基础,具有广阔的应用前景。通过SLAM技术,机器人能够实现在未知环境中感知及自主定位,并在此基础上完成自动驾驶、自主导航等任务。视觉里程计(Visual Odometry,VO)是视觉SLAM的重要组成部分,通常以相机作为传感器来获取图像输入信息,估计帧与帧之间的相机运动,即相机位姿估计。相机位姿估计是SLAM技术的重要环节,影响着SLAM系统的实时性和准确性,位姿估计方法的研究对于机器人技术的发展具有重要意义。近年来计算机视觉技术飞速发展,相机位姿估计问题得到了初步解决,但是在弱纹理环境中由于特征点少、信噪比低,位姿估计仍是难点。其中,基于特征点法的位姿估计方法的提出较早,该类方法提取图像中的特征点并进行帧与帧之间的特征点匹配,利用若干匹配的特征点对计算相机位姿。但在弱纹理环境中,由于能够检测到的特征点少,故特征点法易于出现因匹配的特征点对数目不足而无法估计出位姿的情况,导致相机位姿跟踪的中断。另一方面,基于直接法的位姿估计方法以灰度不变前提为假设,通过最小化图像中的全部或部分像素的帧间灰度残差,从而解得最优位姿。但是直接法容易受到弱纹理环境信噪比低的影响,从而位姿估计的准确度大大降低。为了解决弱纹理环境下的位姿估计问题,出现了一些基于线特征的位姿估计方法来替代特征点,但其特征提取和描述子计算较为复杂,难以融合后端优化;另一些方法通过提取图像中的边缘位置像素来增加信噪比,但边缘提取的不稳定和像素数量少易造成位姿估计的鲁棒性差,并且纹理少的环境不利于灰度误差最小化中的位姿迭代优化,极大地影响位姿估计的准确度。针对弱纹理环境下的位姿估计信噪比低的问题,本文提出一种基于深度相机的关键信息融合位姿估计方法。该方法充分利用图像中的关键信息,提高弱纹理环境下位姿估计的信噪比,使得位姿估计更稳定;并利用环境中的结构信息,引入基于深度的误差最小化方法,提高位姿估计的准确度。为了测试本文方法的性能,通过在标准数据集上的实验展示了本文方法的效果并与其他方法作对比。本文的主要工作如下:1.融合传统方法与深度学习的优势进行边缘提取,然后将提取的边缘进行基于直接法的相机位姿估计,并使用非参数统计的方法拟合边缘像素残差,给出参与计算的像素权重。通过在标准数据集TUM的7个序列上的实验,证明了边缘融合的位姿估计方法的优越性。2.融合灰度图像边缘提取、深度图像边缘提取、高残差区域提取作为关键信息,在灰度误差最小化求解相机位姿的基础上引入基于深度误差最小化的方法。通过在弱纹理数据集上的实验,展示了基于深度相机的关键信息融合位姿估计方法在弱纹理环境下的稳定性和准确度。