SLAM(Simultaneous Localization and Mapping,实时定位和制图研究)是机器人和场景理解中非常重要的研究方向,并且在定位导航领域起着重要作用。近年来由于双目相机的成本较低,抗环境干扰能力强,逐渐引起人们注意。视觉里程计在双目视觉SLAM中起到至关重要的作用,在定位和地图绘制中具有非常重要的意义。近年来,深度学习发展非常迅速,且应用非常广泛,深度学习在双目SLAM中的应用研究正在逐步成为SLAM的研究趋势。本文基于深度学习方法研究了双目SLAM视觉里程计模块,优化了现有的深度学习网络损失函数,提高了相机姿态估计和深度恢复的准确性,并且将网络输出的帧间相对位姿转换为全局相机位姿。本文相关研究设计如下:首先,设计了端对端的视觉里程计网络,实现了相机位姿和图像深度估计。通过无监督的方式将位姿估计网络和深度恢复网络联合训练,利用双目相机的空间几何一致性和输入图像序列的时间几何一致性对网络训练进行约束。为了避免陷入局部最优解“陷阱”,深入研究SLAM直接法估计相机位姿的原理,设计了边缘检测图像预处理的方法提高图像边缘梯度的权重,提升位姿估计精度。其次,通过研究分析SLAM特征点法估计相机位姿,凸显了BA优化在相机位姿估计中的重要地位。本文通过设计基于LM算法的可微循环网络,对位姿估计和图像深度进行优化,通过反向传播相机位姿和图像深度的损失信息更新网络参数。再次,由于视觉里程计网络输出为帧间相对位姿,为了可视化相机运动轨迹,提升对比效果,本文使用位姿的四元数形式以及球面线性插值求取全局位姿,并使用SVD方法将预测相机轨迹配准到真实轨迹坐标系下进行对比。最后,利用绝对轨迹误差等误差评价指标对本文视觉里程计算法测试和验证。在Linux系统Ubuntu16.04的环境下,实现整体算法的研究与设计,完成了端对端的视觉里程计的深度恢复任务和位姿估计任务,通过评价指标验证了本文视觉里程计算法的准确性和可行性,经验证边缘检测与处理,LM可微循环网络的加入,使得位姿估计效果分别提升了了16.7%,51.3%,深度恢复的效果提升了18.6%,25.8%,有效提高了位姿估计与深度恢复的精度。