随着社会的进步和科学技术的快速发展,自主移动机器人已应用在社会生产生活的多个领域,并在其中发挥愈加重要的作用。视觉即时定位与地图构建技术(Visual Simultaneous Localization And Mapping,VSLAM)是保障自主移动机器人自主化、智能化的关键技术,其中,单目SLAM凭借单个相机结构简单、成本低等优势,受到了研究者的广泛关注。目前,单目SLAM可以获得较高的定位精度,然而其构建的地图大多是稀疏的特征点地图或者是利用图像中显著的梯度差计算得到的半稠密地图,难以满足自主移动机器人的局部避障、导航等实际需求。本文基于深度学习获取单目图像中稠密的环境深度信息,利用经典的ORBSLAM(Oriented FAST and BRIEF)算法紧耦合惯性信息得到机器人带有真实尺度的位姿信息,并引入截断符号距离函数(Truncated Signed Distance Function,TSDF)模型构建稠密地图,提出了一种基于深度学习的单目SLAM稠密地图构建方法,同时研究了本方法面向嵌入式平台的设计和实现。论文的主要的工作包括以下几个部分:首先,为获取单目图像中稠密的环境深度信息,本文设计了一种基于编码解码结构的单目深度估计网络。编码部分通过ResNet网络提取图像抽象的深层次特征,并通过设置不同膨胀率的空洞卷积得到图像的多尺度上下文信息,用于估计稠密的图像深度信息,同时在损失函数中加入了结构相似形误差,能更好的反映图像中物体结构的线索,获取更加准确的估计深度。实验验证了所设计的网络能很好的估计图像深度,为单目SLAM稠密地图构建提供了准确的稠密深度信息。其次,为提高构建的稠密地图的全局一致性和精度,本文提出了一种基于TSDF深度融合模型的单目SLAM稠密地图构建方法。首先通过耦合了 IMU信息的单目SLAM方法获取机器人具有真实尺度的位姿,同时利用位姿获取过程中生成的较为精确的稀疏特征点去校准估计深度的尺度,进一步提高估计深度的精度。然后基于TSDF模型融合估计的深度构建稠密地图,同时设计了基于变形图的地图优化策略提高了地图的精度和全局一致性。通过实验分析验证了提出方法的有效性。最后,为了使提出的单目SLAM稠密地图构建方法便于应用于移动机器人平台,本文设计实现了一种基于嵌入式平台的单目SLAM稠密地图构建系统。利用多个嵌入式平台协同计算处理的优势,基于分布式思想,对所提出的单目SLAM稠密地图构建方法进行模块化处理以部署到多个设备上,并基于以太网连接实现多设备的通信和数据共享,实现基于轻量化嵌入式平台的单目SLAM稠密地图构建。实验验证了基于嵌入式平台的单目SLAM稠密地图构建系统的性能,满足在逐步小型化、轻量化的自主移动机器人平台上的应用。