车辆位姿估计问题可以描述为,车辆在运动过程中,如何在不依赖外部设备的条件下,估计车辆在环境中的状态变化。针对问题,本文对传统算法的框架进行了分析,并对框架内部各组件进行了性能分析。本文提出了一种基于深度学习的车辆位姿估计方法,仅依赖于车辆上部署的单目相机,实现车辆对自身的位姿估计。本文的主要包括:（1）对传统的基于视觉的位姿估计框架进行深入分析与比较。本文对传统的基于视觉的位姿估计框架进行解耦分析。比较了传统框架中的特征提取、匹配、位姿计算不同方法的表现,发现传统方法虽然可以完成位姿估计的任务,但是在精度上存在很大的误差。（2）针对位姿估计中的特征提取与匹配问题,提出一种新颖的基于孪生网络的特征提取器。特征提取器使用孪生网络的结构处理多输入数据,达成特征提取的任务;使用互相关算法对输入数据建立关联性,达成特征匹配的任务;利用将短时间内运动物体变化小的先验,设计一种新颖的约束;最后创新性的使用时间间隔作为标签,使得特征提取器能够不依赖位姿计算网络而独立训练。（3）针对位姿估计中的位姿计算问题,设计与特征提取器对应的位姿计算网络。为处理特征提取器的输出结果——互相关分布,本文设计特殊的全卷积位姿计算网络,实现从结构中计算车辆位姿变化。将特征提取器与位姿计算网络融合,提出一个完整的位姿估计模型网络称为PoseEstimateNet。针对更强的硬件条件,本文在特征提取器中引入了FPN结构,提出了精度更高的位姿估计模型网络称为FPN PoseEstimateNet。本文针对车辆位姿估计问题,对传统视觉位姿估计方法展开调查与分析,面对其精度不足的问题,提出了PoseEstimateNet与FPN PoseEstimateNet,不仅解决了传统算法精度不足的问题,而且改善了深度学习面临的参数量过大的问题,为解决目前的自动驾驶中的车辆位姿估计问题,提供了一种新的思路。