随着智能机器人技术的不断发展,自主定位技术在移动机器人、自动驾驶和无人机等领域得到了广泛的应用和研究。视觉里程计是车辆自主定位中最常用的方法之一。该方法使用相机作为主要测量工具,部署简单,成本低,环境适应性强,在无外界信号的区域也可以工作。本文主要研究的内容是:基于深度学习的轻量级视觉里程计和基于扩展卡尔曼滤波的视觉-惯导融合式里程计技术。现有的视觉里程计系统大多需要手动校准,且在某些环境下会失去其原有的性能甚至无法正常工作。而基于深度学习的视觉里程计则几乎不需要手动校准,环境适应性也更强,但是会占用大量的计算资源。针对这一问题,本文研究了轻量级的深度学习视觉里程计算法,选用TVNet结构作为光流提取算法缩短了网络的计算时间,同时采用类Densenet结构改善了位姿估计精度。本文在KITTI数据集和ApolloScape数据集上进行了测试。结果证明本文算法与同类算法相比减少了50%运算时间的同时在测试数据集上将旋转估计精度提升了10%。针对视觉里程计估计精度不足且在特征单一环境中会失效的问题,本文以传统的松耦合视觉-惯导里程计为框架,在深入研究机器人运动学规律的基础上,利用扩展卡尔曼滤波实现了深度学习视觉里程计和惯性测量单元的松耦合式融合算法。本文算法针对加速度计二次积分的漂移问题,利用运动学模型对滤波状态进行更新,有效改善了机器人短时间运动直线建模误差。本文在KITTI数据集上进行了验证。相较于传统卡尔曼滤波算法,本文方案的位移估计精度提高了17%。