近几年,无人驾驶、自主导航机器人、增强现实(AR)等人工智能技术进展飞速,其中的一项核心的技术就是即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术。只靠一个摄像头而不需要其它传感器的SLAM称为单目视觉SLAM,因其成本低、重量轻、易部署等特点,受到了广泛的关注,并成为了SLAM领域的一项重要研究课题。SLAM所恢复出的三维地图,可以指导无人车和机器人避障和导航,也可以用于增强现实中虚拟物体与真实环境的交互。然而,目前的单目视觉SLAM算法在建图方面还存在较大问题。基于几何的传统单目视觉SLAM算法在图像的弱纹理区域表现较差,难以重建出稠密的三维地图。基于神经网络的单张图像深度估计算法虽能恢复准确稠密的三维地图,但是泛化能力较差,当测试场景和训练数据差异较大时,精度会发生严重退化。本文提出了一个实时单目稠密建图系统,主要思想是将深度估计网络和传统单目视觉SLAM结合,实现优势互补,提升系统的整体精度。系统中包含了一个预先训练的弱监督深度估计网络,系统运行时单目视觉SLAM提供的有位姿的图像对作为网络的训练样本,对网络参数进行在线更新,提升网络在陌生场景下的深度预测精度。同时将网络输出的深度图和单目视觉SLAM输出深度图融合,克服单目视觉SLAM在弱纹理区域难以重建的缺陷,使得系统最终得到准确、稠密的三维地图。本文算法在公开数据集上进行了测试,建图效果优于现有其它建图算法,并且达到了实时要求。本文还模拟了机器人避障的路径规划应用,体现了算法的实际应用价值。