基于视觉的同时定位与建图（Simultaneous Localization and Mapping,SLAM）是指由相机传感器获取的图像来确定机器人本身在环境中的位置,同时对所处的环境进行建图。传统的视觉SLAM技术主要包括特征点法和直接法,已经发展出较为成熟的技术框架。然而传统方法严重依赖图像特征,当实际情况中存在运动模糊、光照变化、动态物体的时候,算法非常容易失效。随着深度学习的不断发展,图像处理各领域取得了前所未有的进步,为解决传统视觉SLAM的瓶颈问题带来了新的方法。因此本文主要研究以深度学习的方法来解决传统视觉SLAM存在的问题,实现视觉SLAM在定位上的优化。主要包括以下三个内容:（1）提出一种基于生成式对抗网络（Generative Adversarial Networks,GAN）的视觉SLAM框架,实现视觉SLAM在模糊场景下的定位优化。针对运动模糊的存在严重影响特征点提取的数量和质量的问题,将去模糊领域的GAN网络引入到视觉SLAM框架中。同时对现有的去模糊网络存在缺少模糊检测的缺陷,进行了改进,使其具备模糊检测功能。系统运行过程中,首先将采集的RGB图像送入到改进的去模糊网络中,该网络利用Laplacian模糊检测算法进行图像模糊检测,并将模糊图像进行去模糊,提升图像质量,最后再送入到定位过程。本次工作在公开数据集上进行了测试,结果验证了新的视觉SLAM框架的在模糊场景下的有效性。（2）提出一种基于分割网络的动态场景下的视觉SLAM系统。现有算法中,传统方法处理动态范围小,而结合语义的方法往往采用直接分割剔除的方式,不能很好的处理半动态物体。针对这些问题,提出了基于语义分割的对半动态物体的判别方法,通过重投影及交并比计算的方式进行判断,由此获取图像全部的静态特征点,提升系统对动态场景的鲁棒性。测试结果表明,我们的方法能够较好的处理动态场景,在定位上有了提升。（3）提出两种基于深度特征点改进ORB（Oriented Features from Accelerated Segment Test and Rotated Binary Robust Independent Elementary Features）特征点的算法。ORB作为传统特征点,很容易受光照、视角变化的影响,容易发生堆积的现象。而深度特征点往往在鲁棒性上要比传统特征点表现更佳,但在匹配特性上容易受旋转运动的影响,导致匹配点对减少的问题。本文结合两种特征点的优势,设计出两种改进的特征点。一种是基于深度特征点对现有的ORB特征点进行筛选,筛选出高质量的特征点。另一种是采取融合的方式,利用深度特征点进行角点检测,采用ORB的方式计算对应角点方向和描述子,得到最终融合特征点。最后,将两种改进的特征点应用于视觉SLAM框架,验证了算法的有效性。