视觉里程计（Visual odometry,VO）是一种根据传感器传送而来的视觉信息,获取运动位姿的方法。这种方法应用领域广泛,在很多新兴领域,比如自动驾驶、机器人自定位和增强现实等领域都有很大的前景。视觉里程计所需要的传感器通常指相机,这种设备不像激光雷达那样笨重,因此成本低廉。这些优点都让视觉里程计成为研究热点,其技术也得到了很大发展。尽管如此,VO技术依然有很大的进步空间,比如在复杂的场景下不够稳定。相比于传统的几何方法,基于深度学习的方法可以在不需要显式计算的情况下,能够从数据中自动学习出有效的、健壮的表示,如深度、光流、特征、自我运动等。近年来,深度学习也在图像识别、目标检测等视觉任务上取得了很大进展,这给视觉里程计的研究带来了很大启发。本文的主要工作是针对如何提升视觉里程计方法的性能进行深入研究,结合深度学习技术和注意力机制提出四种视觉里程计神经网络模型,并在不同的数据集上分别进行测试,最后基于四种网络模型开发出一套视觉里程计系统。具体的工作包括以下内容:（1）在原本的基于CNN（Convolutional Neural Network,CNN）+LSTM（Long ShortTerm Memory,LSTM）结构的视觉里程计框架中引入不同的注意力机制。提出三种改进的特征提取模块,分别融合不同的注意力机制,分别是通道域注意力机制、空间域注意力机制以及混合域注意力机制,让网络的CNN部分能够提取到更多有效的特征。在多种数据集上的实验证明,加入注意力机制能够提高视觉里程计网络的精度。（2）通过强化学习的方式对通道域的注意力机制进行改进,引入自适应的注意力机制,这种自适应体现为参数的自适应,注意力机制子网的参数的更新不仅仅只依靠梯度下降。引入自适应的注意力机制的目的是增强网络的泛化能力,让网络面临新环境的时候可以更快地适应,也缩短了网络的训练时间,提高定位精度。（3）根据提出的网络模型开发出一套基于深度学习的视觉里程计系统。该系统结合了图像化技术、封装技术、以及自定义文件配置技术。本系统可以完成数据选择,位姿估计,误差显示等操作。帮助用户更方便地进行仿真实验。