视觉同时定位与地图构建（Visual-Simultaneous Localization and Mapping）是移动机器人和导航任务所需的关键技术之一。随着人工智能的发展,机器人在交通、家居和工业等各个领域形成了广泛的应用,同时也受到了广泛研究人员越来越多的关注。在VSLAM任务执行过程当中,环境的光照、视点等变化是影响算法完成度的重要因素,因此目前的SLAM系统着重于解决精确性、鲁棒性的问题。局部特征工程作为基于特征点VSLAM的先遣技术,是决定系统性能的关键点,同时闭环检测任务是能够有效解决其累积漂移的重要环节。传统的局部特征构建算法存在面对变换场景不具备自适应性的问题,传统的闭环检测算法也是基于传统视觉词袋树模型实现,如此在图像局部特征分布不均的情况下会导致最终闭环检测精度不佳的问题,致使VSLAM算法在面对复杂场景时的效率较低。因此,针对上述问题,本文研究内容如下:（1）针对处理场景不断变化时局部特征性能不足的问题,本文实现了一种基于深度神经网络的局部特征构建算法,该算法首先搭建基于自监督学习的特征提取网络解决带特征点标签数据集不足的问题;其次使用了引入局部聚合描述符矢量（Vector of Locally Aggregated Descriptors based on Neural Network,Net VLAD）神经网络模块的局部特征联合训练网络,通过Net VLAD模块来计算整合多个描述符矢量以获取对视点和光照变化具有强鲁棒性的局部特征。（2）帧间的准确匹配是相机位姿的准确估计和保证SLAM运行准确率的关键步骤。因此本文为了增强图像对相关局部特征之间的联系性,引入了注意力图神经网络（Attentional Graph Neural Network,AGNN）,并使用Sinkhorn匹配算法求解最优局部特获匹配矩阵。在第二阶段匹配算法中,使用第一阶段基于深度学习的局部特征,实现了一个端到端的鲁棒性局部特征匹配算法。实验结果表明本文算法相较于对比算法各指标均有提升,单应性估计提高了0.097,匹配精确率提高了0.082,匹配召回率提高了0.038;并且在自采集场景图像对的实验中验证了本文算法的有效性。（3）面对光照、视点变化的环境时,强鲁棒性的防跟踪丢失和闭环检测是VSLAM体系一直致力于优化的关键技术。本文使用基于深度学习的局部特征并使用增量式聚类方法构建词袋模型,将该词袋模型与深度局部特征与ORBSLAM3体系有效结合。公开数据集的测试下实现了体系效能的提升,并有效完成了包含大量环境变化的自采集数据的位姿定位、位姿跟踪和闭环检测任务。本文算法在实验中的PR曲线AUC指标中,相较于所对比算法在不同的三个公开数据集中有0.022-0.086的提升。