近年来,智能机器人技术发展迅速,已应用于诸多领域。部分机器人在原地就可完成作业任务,如生产线上的工业机器人,部分机器人则需要在运动中完成作业任务。自主运动智能机器人需要实时获取位置与姿势（简称位姿）变化信息来控制其自身的运动轨迹。视觉里程计就是运动智能机器人获取位姿信息的关键技术。所谓视觉里程计是利用摄像头获取的图像帧来估计机器人运动中的位姿变化信息,是视觉实时定位与地图构建（VSLAM）系统的关键构成模块。针对视觉里程计,本文主要研究内容和研究成果如下:（1）现有的视觉里程计算法中利用图像信息的方式可分为:特征点法、直接法和半直接法三种。当应用场景为室外结构化环境,且存在光照对比差异较大等不利因素时,利用上述三种方式获得的位姿变化信息都不够精准。而在上述环境中,图像边缘线特征信息相对更加丰富、稳定,且线特征中还包含了空间结构信息。因此,本文利用图像边缘线特征信息开展视觉里程计研究。（2）鉴于卷积神经网络（CNN）具有较好的特征提取及特征学习能力,本文构建了卷积神经网络模型,以提取图像边缘的线特征信息。在此基础上,鉴于深度学习算法不但能够学习相机参数,而且对环境中的光照变化具有较好的鲁棒性,本文构建了基于深度学习的分类感知语义边缘检测网络（CASENet）模型,以实现按语义分类提取图像帧的边缘线特征信息。（3）基于图像帧位姿信息的时间连续性及线特征的空间结构性,本文构建了三维卷积神经网络（3DCNN）与长短时记忆网络（LSTM）相结合的编码模型,将上述（2）中按语义分类提取的图像帧边缘线特征信息进行3DCNN+LSTM编码,以实现边缘线特征与空间结构信息的高纬度特征提取。在此基础上,本文构建了基于循环神经网络的视觉定位系统模型,以实现基于边缘线特征的位姿估计。（4）利用KITTI数据集,对本文所提出的基于深度学习算法的视觉里程计进行了性能测试。测试结果表明,在室外结构化环境中,即使存在光照对比差异较大等不利因素情况下,本文提出的基于深度学习算法的视觉里程计仍具有较强的鲁棒性,能够满足VSLAM系统中对位姿估的基本性能要求。