视觉同时定位与建图（Visual Simultaneous Localization and Mapping,V-SLAM）和路径规划是室内移动机器人实现自主导航的核心技术。随着深度学习的飞速发展,为基于V-SLAM的移动机器人领域提供了崭新的研究方向。目前,移动机器人自主导航系统的环境地图精度和路径规划性能还需要进一步提高。因此,研究基于深度学习的室内移动机器人V-SLAM导航技术具有重要的理论意义和实际应用价值。首先,研究分析导航技术国内外现状,并选取深度相机作为外部传感器,对深度学习模型、V-SLAM技术和路径规划技术进行探究,完成了基于深度学习的室内移动机器人V-SLAM导航方案的总体设计。其次,研究视觉SLAM系统中的闭环检测,针对移动机器人系统存在运动和估计误差造成无法构建相同地图的问题,提出对基于卷积神经网络特征进行改进的闭环检测算法。特征提取器采用预先训练完成的卷积神经网络（Convolutional Neural Network,CNN）模型,从CNN中提取输入图像的浅层几何特征和深层语义特征;为避免空间细节特征的丢失,通过调整多层特征图数据进行权重优化融合,并计算融合特征向量的相似性得分用于检测是否闭环。实验结果表明,基于改进卷积神经网络的闭环检测算法可以有效改善图像特征描述效果,使检测具有更好的准确性和鲁棒性。然后,在路径规划技术中,针对移动机器人在室内复杂环境下使用单一智能算法易陷入局部极值,以及多算法融合导致时间效率低的问题,提出改进粒子群优化算法。将粒子群优化算法（Particle Swarm Optimization,PSO）作为主体,依据所提出的环境选择策略划分粒子群为两类,分别利用遗传算法（Genetic Algorithm,GA）中的选择、交叉、变异算子和细菌觅食优化算法（Bacterial Foraging Optimization Algorithm,BFO）中的趋化操作避免局部极值,提高机器人的规划效率。实验结果表明,改进粒子群优化算法的路径规划速度快且路径距离短,同时具备更强的鲁棒性。最后,选取机器人操作系统（Robot Operating System,ROS）作为软件平台,结合实验室相关设备搭建硬件平台,并导入本文研究的算法,实现所设计的室内移动机器人自主导航方案。实验证明,论文设计的算法可基于平台实现,同时基于深度学习的室内移动机器人V-SLAM导航方案具有实时性及可靠性。