同时定位与建图（Simultaneous Localization and Mapping,SLAM）在机器人导航、增强现实等应用中具有重要意义,并获得广泛关注与研究。由于视觉传感器具有场景语义信息丰富、成本低廉等优势,视觉SLAM算法在理论研究和实际应用中都得到了快速的发展。现有视觉SLAM算法框架一般可分为视觉前端追踪和后端优化两部分。视觉前端追踪通常采用关键帧思想,对帧与帧之间的相对运动进行追踪计算,为后端优化提供相机位姿和地图点的初值。后端优化主要采用非线性优化方法,对前端提供的相机位姿和地图点进行联合优化并更新至前端,并在需要的时候完成闭环检测与优化。目前,视觉前端追踪存在容易丢失、鲁棒性弱的缺点,并成为制约SLAM算法广泛应用的一个重要瓶颈。针对单目视觉SLAM前端追踪鲁棒性弱的问题,本论文从不同底层特征点的性能和提取方法的比较研究入手,提出了最佳的特征提取策略;结合深度神经网络进行光流估计,提出了基于深度特征光流的前端追踪算法;并在前二者的基础上,构建了一个新的单目视觉SLAM系统。本论文的主要工作和贡献如下:1.提出了一种新的单目视觉特征提取策略。本文对多种特征提取算法进行实验分析,从特征提取速度、特征点数量、特征点有效分布等方面进行对比,选取综合性能最佳的特征;进一步提出特征稀疏化策略,对提取的特征点进行筛选,去除冗余的特征点,保证了特征点充分利用图像信息的同时具有良好的几何分布。2.提出了基于深度学习特征光流的前端追踪算法。基于几何特征的SLAM算法在相机运动或外界环境变化较大时,通常会使得特征提取或匹配失败,从而导致SLAM追踪丢失。本文将光流法和特征匹配相结合,利用深度学习特征光流对于纹理稀疏、光照变化、运动模糊具有更强鲁棒性并且可以完成实时计算的特点。通过深度神经网络PWC-Net计算出两帧之间的光流信息,再使用光流信息完成帧间追踪并估计出相机运动的初值,进一步利用局部地图的进行联合优化来减小估计误差,达到了鲁棒、稳定的追踪效果。3.构建了新的单目视觉SLAM系统。基于本文提出的视觉特征提取策略和深度学习前端追踪算法,采用多线程技术搭建了新的单目视觉SLAM系统,主要包含了深度学习光流追踪、前端追踪、局部建图、闭环检测与优化四个部分。我们采用主流数据集进行了实验验证,表明了该SLAM系统的有效性。