随着现代科技水平的不断发展,机械设备的智能化程度不断提高。近年来,无人飞机、无人汽车等自主化设备开始被广泛应用在日常生活中。作为无人设备在自主定位与路径规划中的关键技术,视觉同时定位与构图技术（Visual Simultaneous Localization and Mapping,V-SLAM）被广泛应用到设备的智能导航实践。在各种现有方案中,基于单目相机的V-SLAM系统因结构简单、初始化方便和制造成本低廉等特点而大受欢迎。然而,单目V-SLAM系统在进行定位与地图构建时存在定位累积误差、地图尺度漂移等严重问题;而基于深度学习原理构建卷积神经网络（Covolutional Neural Network,CNN）,并用其替换V-SLAM系统的某个功能模块或辅助改进该某模块的工作性能后,可显著提升系统的工作效率与导航精度。为提高单目相机的环境感知能力,本文提出了基于深度学习的单目深度估计CNN算法;为使其适用于不同工作情形,进行了网络框架的普适性调整:针对计算力较高的智能设备,搭建了基于Dense-Net网络框架的“编码-解码式”CNN;同步训练单目图像的深度值预测任务（Depth Estimation）和表面法线贴图（surface normal）预测任务,并利用表面法线引导深度估计任务的精度优化。针对无人机等小型嵌入式设备,通过轻量型网络结构Mobilenet-V2搭建深度CNN模型,在训练深度值预测网络的同时,设置了对语义信息的预测训练并利用其引导深度预测值的优化。根据单目相机的成像原理,将RGB（Red,Green,Blue）三通道编码图像按照场景的深度估计信息还原为稠密点云图像;同时,利用ORB-SLAM2算法获取图像序列的位姿变换与场景的稀疏点云地图;将上述稠密点云同稀疏点云信息有机融合,利用稠密点云修正了稀疏点云存在的单目尺度漂移缺陷;最后,利用稀疏点云修正了稠密点云图像的结构失真缺陷,由此将两者拼接为连续场景的结构鲁棒性稠密地图。三维点云图像存在结构鲁棒性差、存储空间过高和表面形貌粗糙等缺陷,本文将其转换为应用场景更加广泛的八叉树图像、网格图像与TSDF稠密三维地图,通过比较上述地图模型各自的优劣特性确定了相应的使用场景。本文设计的深度估计神经网络可实时获取周围环境的稠密场景深度,单目视觉里程计算法（Visual Odometry,VO）可快速提取输入图像的位姿特征并精确追踪单目相机运动,而将深度估计融入VO后,其生成的场景稀疏地图具有更少的尺度漂移误差。本文设计的稠密式三维场景重建算法将VO算法构建的稀疏地图与CNN预测的稠密场景深度信息相融合,重构出了细节极为丰富的三维导航地图。经上述改进工作,提高了无人设备感知陌生环境并进行实时路径规划的能力。