机器人视觉SLAM技术在自动驾驶、导航定位等方面有着广泛的应用。然而目前在一些特殊场景下(如强光照),机器人视觉SLAM经常会因为精确度不足而出现尺度漂移、尺度错误等问题。究其原因是现有的视觉SLAM算法大多需要人工设计稀疏图像特征,而人工设计的稀疏图像特征往往蕴含对环境的一定假设(如光照充分、材质确定等),导致当光照条件等环境因素发生变化时,环境景深信息估计效果会变差。深度学习用非监督式或半监督式的特征学习和特征提取方法来替代人工设计特征,已经在图像处理等多个领域取得了较好效果。本文以机器人视觉SLAM为研究对象,以深度学习方法为基本手段,针对SLAM在特殊场景下存在的精确度问题展开研究。本文首先提出了基于相机位姿转换关系的单目图像景深估计方法,用深度学习方法对图像中环境的景深信息进行估计,进而提出了无监督学习景深估计辅助的ORB-SLAM算法,将前一步提出的深度学习方法融合到现有ORB-SLAM算法中。本文的主要工作如下:(1)设计了基于相机位姿转换关系的单目图像景深估计方法。本方法借鉴传统SLAM系统中的相机位姿估计方法来增强监督信号、增加训练约束。在相机位姿估计阶段通过建立连续图像窗口来构造位姿图,并利用位姿转换关系计算位姿变换矩阵、完善位姿图。位姿图可以部分的消除累积误差,因此相对已有算法,可以提升图像景深估计的精度。(2)设计了无监督学习景深估计辅助的ORB-SLAM方法。该方法将传统ORB-SLAM算法和本文所提出的基于相机位姿转换关系的单目图像景深估计方法进行融合。当传统ORB-SLAM无法匹配足够的特征点时,使用深度学习的方法估计环境景深信息。这种方法取长补短,在弱纹理强光照等环境中可以有效的提升环境景深信息的精确度,间接提高ORB-SLAM算法对环境进行建模的精确度。本课题基于上述实现方案和机制,设计和实现了云机器人架构下深度学习辅助的视觉SLAM原型系统,在公开数据集以及现实场景中展开了实验,对工作进行了全面的验证。