在大数据和人工智能的时代背景下,计算机视觉作为人工智能的一部分,也表现出火热的一面。其中视觉SLAM系统能够让机器人通过视觉传感器定位自身的位置并且建立地图,实现机器人的智能化,因此被广泛应用于移动机器人,无人机,智能汽车,增强现实等多个领域。本课题针对传统视觉SLAM系统初始化步骤繁杂、速度慢等问题,从两个方面研究如何快速初始化SLAM系统:基于传统的室内模型的快速初始化方法和结合深度学习等技术的快速初始化方法。具体完成的工作如下:1.介绍了相关的基础知识,如相机模型、相机标定去畸、对极几何、基础矩阵本质矩阵和单应性矩阵等知识,还介绍了SLAM系统的标准流程和使用的相关技术。2.本文研究了基于室内模型的SLAM快速初始化,主要介绍了使用室内模型快速初始化视觉SLAM系统的流程,包括消失点的检测,平面方向图的检测,室内模型假设集的生成,本文提出新的方法来挑选最优的室内模型并对室内模型进行快速重建,然后通过重建的室内场景初始化整个SLAM系统,在保证了系统稳定的前提下,提高了系统初始化的效率。本文使用该方法在多组数据集上做了相关实验,证明本文的方法是高效实用的。3.本文研究了深度学习和基于图的分割技术,对室内模型的选择提出新的方法。主要介绍了使用深度学习进行深度估计,使用基于图的方法进行分割,提出使用分割后的平面在空间中的状态和相对位置信息判断室内模型的精确度的方法。并且做了相关实验,在实验中达到了预期的效果。将重构代码应用在SLAM系统初始化中,并且做了相关实验,证明该方法的实用性。