相机在未知的环境中运动,自主地确定自身位置和构建空间地图,是基于视觉的即时定位和建图(Simultaneous Localization And Mapping,SLAM)要解决的主要问题。在视觉SLAM前端,特征点法是目前的主流方法之一,其存在匹配效率不高、匹配效果不好以及受图像质量影响较大的问题。深度学习在视觉领域的发展一骑绝尘,但视觉SLAM存在大量的代数优化问题,很难用深度学习方法设计出效果出众的端到端SLAM模型。本文避开端到端SLAM,利用深度学习方法去解决视觉SLAM中的特征点检测问题,这也是深度学习方法的优势。本文训练了一个基于卷积神经网络的特征检测器,进一步利用该特征检测器构建了单目视觉SLAM系统,并加入相关优化算法,主要研究内容如下:(1)针对传统手工设计的特征点提取与匹配易受光照、视角、噪声、图像模糊等因素的影响,本文采用深度学习的方法解决特征点检测问题。将传统的关键点特征进行融合,并针对性地加入鲁棒性优化,解决无数据集的问题;使用MobileNet轻量化技巧改进的VGG样式的全卷积神经网络作为编码器,分别使用两个并行的解码器检测关键点和计算描述子,采用双网络架构对图像对进行学习,并采用交叉熵损失(Cross Entropy Loss)和铰链损失(Hinge Loss)分别对关键点和描述子进行训练,得到MVP(MobileNet-VGGNet-Point)特征检测器。实验结果证明训练得到的MVP特征检测器相比于现有方法在综合性能有明显提升,为后续将MVP特征检测器应用到SLAM中奠定良好的基础。(2)利用MVP特征检测器,分别从前端视觉里程计(Visaul Odemetry,VO)和闭环检测两个模块,对MVP特征在SLAM系统的使用做了算法优化与改进。在前端,构建了基于MVP特征检测器的VO,使用四叉树算法对关键点进行管理,并采用非极大值抑制算法筛选子节点置信度最高的关键点,将浮点型描述子做二进制化处理,并使用改进的双向最邻近算法匹配特征点;在闭环检测模块,用K-means聚类算法训练了基于MVP特征的字典,使用k叉树表征字典,降低单词查找的算法复杂度。将VO、闭环检测模块与ORB-SLAM2的后端优化、建图模块连接,构成完整的单目SLAM系统。实验结果表明:对关键点和描述子的优化策略提高了系统的运行效率;在大部分场景中,深度学习方法训练的MVP特征检测器比ORB特征检测器在VO模块和SLAM系统中都表现出更高的精度与更好的实时性。