同时定位和地图构建(Simultaneous Localization and Mapping,SLAM)是一种三维重建的方法。它是一种在未知环境中自主定位并进行地图构建的方法。SLAM在自动驾驶、虚拟现实等多个领域都有广泛的应用。在众多SLAM算法当中,LSD-SLAM算法是一种可以实时地对大规模场景进行重建的方法。但是LSD-SLAM算法还存在提升的空间。近些年,基于学习的方法活跃在各个领域中,并取得了不错的成绩。因此,本文尝试利用基于学习的方法提升LSD-SLAM算法的重建鲁棒性。SLAM系统由传感器、前端视觉里程计、后端非线性优化、闭环检测和地图构建五部分组成。其中,视觉里程计部分和闭环检测部分可以加入基于学习的方法,本文从这两个方面对LSD-SLAM算法做了改进。首先本文提出了一个基于可信控制点的深度置信度估计算法,对LSD-SLAM的视觉里程计部分做了提升和改进。置信度估计算法使用随机森林算法训练可信控制点预测模型,模型使用在立体匹配过程中可以方便快捷的计算出的特征,使模型在保证准确度的情况下,时间的消耗尽量小。在跟踪估计的过程中,通过模型得到一个深度置信度的估计,将置信度作为权值融入到深度估计和相机运动估计当中,得到更为准确的估计结果,提升LSD-SLAM算法在前端视觉里程计部分的精度,进而提升整个系统的重建精度。本文还提出了一种基于二阶特征的闭环检测网络模型。模型采用深度卷积网络,基于二阶的特征信息,得到高精度的闭环检测结果。模型采用的损失函数为三元组损失函数。通过这种弱监督学习,不断缩小同一个地点的特征之间的距离,不断加大不同地点的特征距离,使得相同地点的特征聚为一类。将提出的闭环检测网络模型放入LSD-SLAM当中,提升模型在闭环检测环节的准确性,使重建的结果更加的准确。利用上述两个模型,本文对LSD-SLAM算法的重建精度和鲁棒性做了提升,使算法可以得到更好的重建效果。