视觉SLAM技术有助于移动机器人更低成本更精准地探索环境,仅加入视觉传感器的SLAM系统还不具备地图信息交互的能力。将基于深度学习的目标检测算法融入视觉SLAM中可以提高地图的可读性与机器人的理解能力。然而,融入目标检测算法的SLAM系统性能仍然需要进一步提升,例如如何将深度学习网络轻量化、如何在光照不佳的环境中依然有效定位目标物体、如何进一步提高地图的利用效率等问题,因此开展基于深度学习的移动机器人目标检测与定位研究具有重要意义。本文针对上述问题,开展了基于深度学习的移动机器人目标检测与定位研究。主要研究内容如下:（1）室内办公场景的RGB-D数据集。针对带有标签的室内办公场景RGB-D数据集较少的问题,利用Realsense d435i相机采集彩色图与深度图图像,并对图像进行预处理,最后使用第三方软件Label Img对数据集进行标注,构建数据集。（2）基于YOLOv4-Mobilenetv3网络的双流神经网络模型。针对基于深度学习的目标检测网络存在对光照条件、硬件性能要求较高等问题,开展RGB-D数据读取并检测的研究,建立双流YOLOv4-Mobilenetv3目标检测模型。（3）基于RGB-D SLAM局部稠密建图的网络模型。针对稀疏建图存在可读性较差,稠密建图需要耗费大量内存的问题,开展对设定的目标物进行局部稠密建图的研究,建立局部稠密RGB-D SLAM模型。实验表明,本文所述的目标检测模型其网络参数量相比较经典YOLOv4模型下降了23%,且在昏暗环境中可以标记出目标物位置。所述的SLAM模型其建图所需的时间与点云数量根据场景复杂度和所包含目标物数据量有一定程度地下降,整体上,点云数目约减少50%,建图时间约占全局稠密建图时间60%。