通常,机器人的定位导航沿袭了特征提取、特征匹配和导航的经典流程,并利用其它优化策略调优。但是面对复杂场景时,该类方法往往存在稳定性不足的缺点,且步骤多、流程复杂。卷积神经网络在处理图像任务时表现出强大的特征抽象和表达能力,为机器人的定位导航问题提供了新的研究思路。该方法能够从训练数据中学习位置信息,并且能够学习到场景的真实尺度,具有传统方法不具备的优势。因此,本文针对基于深度相机与卷积神经网络的机器人定位导航问题进行研究,并完成以下工作:（1）结合任务性质和卷积神经网络的特点,将机器人定位问题建模为一种有监督的回归学习问题,进行分析和设计整体算法框架。（2）提出了一种基于卷积神经网络的机器人定位模型。该方法使用以图像为输入的卷积神经网络完成特征提取,利用共享的全连接层和损失函数直接预测位置向量,构建定位模型。该方法既简化了特征提取过程,又能够融合不同层次的特征,提高了模型的预测精度。（3）完成了基于A*算法的机器人导航方法。该算法将机器人定位网络输出的定位信息作为输入,完成静态路径规划,速度快,实时性高,满足机器人定位导航需求。综上,本文使用卷积神经网络逐步设计实现了基于深度相机的机器人定位导航改进方法,并设计实验测试。实验结果表明该方法在各项性能指标上均具有较好的效果,具有实际应用价值。