卷积神经网络中不同深度的特征具有不同层次的语义信息以及其他特点,浅层网络特征主要聚焦于低层次特征（角度、颜色、极大值、边缘等）,而深层网络特征主要聚焦于高层次语义信息（目标区域、轮廓、类别等）。本文围绕基于语义分割网络中不同层次语义特征的单目SLAM系统展开研究工作,将不同层次语义特征引入到SLAM的各子模块中,旨在充分利用不同层次语义特征的不同特性提升单目SLAM系统的定位精度、鲁棒性以及环境理解能力。论文的研究内容总结如下:（1）基于语义平面的单目定位以及致密语义地图构建方法。城市道路环境有极强的结构特性,例如建筑沿道路两侧分布,道路以及大多数建筑物表面可被视为平面,城市道路平面与建筑平面相互垂直且共同构成了相机的可视范围等。此外,城市环境和其他人造环境一样,其表面结构可以由大量小平面近似。本文利用语义标签,将上述结构特性引入到LDSO中,提出于基于语义平面的单目定位以及致密语义地图构建方法。KITTI odometry数据集上的实验结果表明,该方法在保留稀疏直接法相对于特征法鲁棒性优势的前提下,能够进一步提升定位精度,并增加对于环境的理解能力。（2）基于语义概率直接对齐的视觉里程计。直接法存在一个与生俱来的问题——图像灰度的非凸性。直接法在优化中依赖于通过梯度搜索降低光度误差,从而估计相机位姿和地图中点云深度信息。在梯度搜素中需要利用像素点的灰度信息,而图像灰度多数情况下是强烈的非凸函数,即图像灰度仅能在很小范围内保持凸性。由于图像灰度的非凸性使得光度误差在优化中容易陷入局部最小,直接法只有在连续帧相对运动很小时才能稳定运行。相比之下,语义概率忽略图像中的细节信息,主要在不同语义类别物体间的边界上变化,能够在更大的范围内保持凸性。本文基于语义概率的强凸性,将语义概率直接对齐方式引入到LDSO中,提出基于语义概率直接对齐的视觉里程计。KITTI odometry数据集上的实验结果表明,该方法的定位精度相对于LDSO有显著提升,同时能够在所有序列中实现与ORB-SLAM2更高或者相似的定位精度。（3）基于语义梯度点拼接特征的闭环检测方法。传统闭环检测方法难以克服长期任务下的强烈环境变化和视角变化,而基于深度特征的闭环检测方法能够克服强环境变化。然而,大多数方法利用整层网络作为图像描述子,丧失了对于视角变化的鲁棒性。此外,大多数工作是基于网络中深层次特征的,而深层次特征在图像长和宽方向上的维度较低,难以提供足够的资源用于局部特征的提取和空间验证以增强对于视角变化的鲁棒性。剧烈环境变化和剧烈视角变化兼而有之情况下的闭环检测问题仍未被较好地解决。本文基于语义梯度点的重复性、局部特征对于视角变化的鲁棒性、卷积神经网络中不同层次特征的优点以及城市环境的结构特性,提出一种基于语义梯度点拼接特征的闭环检测方法。Oxford Robotcar数据集和Synthia数据集上的实验结果表明,该方法与当前最先进的方法（LoST-X,Net VLAD,Patch Net VLAD）相比实现了整体最佳闭环检测精度,尤是在Oxford Robotcar数据集中强环境变化和180度视角变化相结合情况下相比其他方法有显著的精度提升,同时具有更高的存储效率以及计算效率。