随着人工智能领域的发展,人们对生活质量更高的追求,无人驾驶成为汽车领域研究热点,而其中关键的一点,车辆行驶过程中需要提供车辆此时的位置信息以及姿态信息,根据得到的数据来进行自主导航决策。VSLAM（Visual Simultaneous Localization and Mapping）的前端视觉里程计通过相机采集图像获得图像序列,利用相机成像模型与计算中的多视图几何学原理计算车辆的姿态信息,为无人驾驶后续决策的实现奠定基础。本文从VSLAM系统的前端视觉里程计的原理出发,重点研究了VSLAM系统中视觉里程计各部分模块的关键算法,包括图像中特征点的提取、特征点的匹配以及基于得到的匹配特征点对进行的位姿估计,最后应用本文中的视觉里程计进行了试验验证。对于特征点提取与匹配模块,采用深度学习的方法设计浅层卷积网络同时提取特征点和描述子。为提高训练模型的精度,在原有的三分支边界损失函数基础上添加了全局正交正则化项,同时在训练中对数据集进行了数据增强处理,提高训练模型的鲁棒性。针对训练好的模型,在尺度、旋转、视角以及光照变换等条件下对本文中算法以及ORB、SIFT两种传统算法进行了性能分析。在特征点对匹配后的位姿结果中显示,经标准的RANSAC优化后本文中的算法与ORB、SIFT算法得到的位姿结果相比,较ORB算法位姿估计的误差更小,同时在不同的条件下有着与SIFT算法近似或更优的位姿结果。在时间性能方面,本文中的算法在GPU硬件条件下能够实时的提取图像中的特征点和描述子,能够满足无人驾驶对实时性能的要求。对于位姿估计模块,针对传统视觉里程计采用标准RANSAC（Random Sample Consensus）算法对图像中特征提取匹配的样本进行提纯优化,剔除离群点,利用图割RANSAC（Graph-cut RANSAC）算法进行替换。在尺度、旋转、视角以及光照变换等条件下对标准RANSAC算法和图割RANSAC算法进行优化结果对比。试验结果表明,经由图割RANSAC算法进行优化的结果相比于标准RANSAC算法,估计的位姿结果更精确。最后基于改进的特征点提取与匹配以及位姿优化模块构建视觉里程计,将其与ORB算法的视觉里程计在数据集上进行试验对比,结果表明了该视觉里程计相比于ORB算法构成的传统视觉里程计位姿估计结果与真实位姿更加接近,平均平移误差降低33.04%,平均旋转误差降低18.78%,具有更高的精度。