近年来,随着人工智能技术的快速发展,移动机器人、增强现实、虚拟现实等前沿科技正逐步走进人类的日常生活。因此,辅助系统获取传感器位姿信息的定位任务变得尤为重要。在室内环境中,视觉定位技术作为一种高效的定位方法,在其他定位技术(GPS、WLAN)失效时仍能正常工作,并且具有信息丰富、低成本的优势,已成为计算机视觉领域的热点问题。视觉定位的关键在于建立图像和地图之间的匹配关系。传统的视觉定位方法利用局部特征实现匹配,但在视点变化、外观变化的场景中,定位精度有待提升。同时,随着定位服务的普及,系统对地图更新功能的需求也日益增长。针对以上问题,本文提出了一种基于场景坐标回归的室内视觉定位方法,通过全卷积神经网络直接预测像素点对应的三维点在当前场景下的世界坐标,本文称之为场景坐标;并通过改进的RANSAC方法求解位姿;此外,通过添加高可靠性的预测点对至训练集,渐进式训练新增数据以微调场景坐标回归模型,实现地图更新。本文首先阐述了室内视觉定位的研究背景、研究意义和国内外相关研究现状。其次,对视觉定位算法中的相关理论进行了分析。此外,为优化传统室内视觉定位方法的不足,本文主要完成了以下研究:(1)针对人工特征在视觉定位中的局限性,提出了一种全卷积神经网络,可回归查询图像像素点对应的场景坐标用于位姿估计。该方法将彩色图像中二维像素对应的三维坐标映射到场景图像的BGR值中,直接建立了图像与地图的匹配关系,无需特征检测和特征匹配过程。在离线阶段,通过训练网络学习像素点到场景坐标的2D-3D映射,并利用重投影误差精调模型。实验结果表明,该场景坐标回归模型,能够充分利用图像信息,实现像素点与场景坐标的密集预测,有效提高定位精度。(2)针对长时间定位任务中地图更新问题,提出了一种利用图像共视信息的更新策略。该策略受同时定位与建图技术的启发,捕获定位中的结构信息用于建图:通过搜索查询图像和训练图像的共视点,计算查询图像位姿误差和场景坐标预测误差,用以评估原模型预测点对的可靠性;并添加高可靠性的匹配点对至训练集,通过对新增数据的渐进式学习帮助模型学习新点对的匹配关系,完成地图更新。实验结果表明,利用共视信息的渐进式训练策略,能够有效学习扩充场景的结构信息以更新地图。