近些年来随着个人移动设备的发展,VR/AR成为热门研究课题,应用领域广泛,实现AR场景感知和地图构建的关键技术就是同步定位与建图（SLAM）。随着移动设备往小型化和便携化方向发展,视觉SLAM成为一个重要研究方向。视觉SLAM中最主要的两个模块为视觉里程计和回环检测,前者用来估计帧间位姿,后者用来消除累积误差。传统SLAM利用手工特征来完成视觉里程计和回环检测任务,用特征点和特征描述子来描述图像特征,然后通过对极几何实现视觉里程计,通过特征描述子的匹配来检测回环。但是这种方法依赖于相机内参以及场景的稳定性,手工特征在光照、角度变化较大的场景中性能也会受到一定影响。深度学习作为当前研究的一个热门内容,其在图像领域优秀的特征提取能力也可以应用在视觉SLAM当中。深度神经网络通过端到端地学习可以充分利用到图像中的全部信息,在泛化性和稳定性方面都表现得更好。当前有许多研究将深度学习与视觉SLAM相结合,本文在针对深度学习及视觉SLAM进行了深入研究并完成了以下工作:（1）针对视觉里程计任务提出了一种循环卷积神经网络模型CNN-LSTM,通过卷积神经网络提取相邻图像帧间特征,再经过循环神经网络进行长序列间的帧间特征学习,以实现多帧约束。通过端到端地学习,模型可以直接输出相机的6自由度预测位姿。相比于传统单目方法,深度学习方法具有更精确的预测结果和更好的泛化性能。（2）提出CNN-CBAM-LSTM网络模型,在循环卷积神经网络的基础上,加入CBAM注意力模块优化CNN的特征提取能力,优化后的CNN对于动态特征提取更加精确,相比优化前的CNN-LSTM模型具有更好的位姿预测效果。（3）针对回环检测任务采用了基于注意力机制的VGG-19卷积神经网络替代传统特征描述子用以提取图片特征,在光照、天气、视角变化大的场景下具有更好的特征提取效果,然后采用局部敏感哈希方法来加速特征匹配,设计了基于余弦相似度的哈希函数进行特征相似度检测。相比较于传统的线性循环遍历,在保证精度的前提下具有更快的匹配速度。