随着计算机视觉的迅速发展,视觉SLAM的应用领域也越来越广泛。由于相机在运动过程中视角变化不稳定,导致传统的视觉SLAM存在着定位误差较大的问题以及检测回环准确率低的问题。视觉里程计和回环检测作为SLAM的重要模块,针对定位误差较大和检测回环准确性较低的问题,本文提出了一种基于图注意力神经网络的视觉里程计,并在此基础上,提出了一种基于图注意力神经网络的回环检测,并将两者应用到SLAM中,通过对比实验验证了本文提出方法的科学有效性。本文的主要工作有以下两个方面:1.针对相机视角的变化不稳定,导致在SLAM的视觉里程计模块产生定位误差较大的问题,本文提出了一种基于图注意力神经网络的视觉里程计。将传统视觉里程计中传统特征点匹配算法替换成基于图注意力神经网络的特征点匹配算法,与传统特征点提取算法重新组合,来降低估算的轨迹和位姿误差,最终相机能够准确定位。本文采用TUM数据集进行对比实验,选用相对位姿误差和绝对轨迹误差作为重要评价指标。实验验证了在相机视角变化不稳定的情况下,将本文提出的视觉里程计应用于SLAM中,不仅能提高特征点匹配的准确度还能降低估算得出的相机轨迹和相机位姿的误差,即提高定位准确度。本文提出的视觉里程计相比于目前已有的方法将位姿误差最大降低了约80%-90%。2.由于受到光照、视角、气候等环境因素导致相机视角变化不稳定,最终SLAM产生回环检测的准确率不高的问题,本文提出了一种基于图注意力神经网络的回环检测。分析目前已有的回环检测算法,本文利用图注意力神经网络将回环检测中词袋模型的单词结构做了改进,将传统的特征点描述子向量和特征点位置向量进行直接相加,得到的向量命名为特异性向量,再利用图注意力神经网络对每一个特异性向量学习更新,增加每个向量的特异性,将最终得到的向量作为单词,在查找单词的时候,就可以依赖每个单词更加显著的特异性,将特征聚类形成单词,所有单词组成了词典,通过计算图像与图像之间的相似性,从而可以更加准确的判断回环。本文采用KITTI数据集及自制实验室数据集进行对比实验,选用计算准确率和召回率及时间性能作为评价指标。实验验证了在复杂环境下,回环检测的准确度相较于已有算法最高提升了约44%。