近些年来,基于视觉的移动机器人即时定位与建图（Simultaneous Localization and Mapping,SLAM）问题吸引了国内外学者的广泛关注。SLAM虽然只是机器人执行众多任务中的一环,但却为机器人运动、导航、娱乐等上层应用提供了自身定位信息,而机器人能够精确的定位是完成这些任务的前提。针对传统视觉SLAM算法中,光照、视点变化导致环境特征提取和特征追踪不稳定从而影响定位精度的问题,本文提出了一种使用卷积神经网络进行特征提取并与传统SLAM系统相结合的算法。主要工作总结如下:提出了一种卷积神经网络与传统SLAM系统相结合的改进算法。改进的SLAM系统在光线变化较大的情况下依然可以很好地完成特征提取与追踪。首先,采用加入过滤器的SOJKA（由Sojka E提出的特征提取算法）特征提取算法对基础图形数据集进行标注,再由简单图形数据集训练出的网络拓展成可以对复杂图像进行特征提取的网络;然后,将训练出的网络模型用于特征点提取和追踪,并将该网络应用于SLAM系统中;最后,使用Pn P（Perspective-n-Point）或对极几何等多视图几何算法,由卷积神经网络提取到的特征点计算机器人位姿的初值。提出了一种改进的光束平差算法。在机器人位姿估计初值的基础上进行优化,以适应卷积神经网络作为前端的SLAM系统。首先,给出了一种关键帧的选取策略,在这些关键帧的基础上进行位姿优化;然后,改进了光束平差算法的优化流程,并且对一些变量不再进行重复优化;最后,在求解过程中,将此前获得的机器人位姿值作为初值,并利用视觉SLAM中变量的稀疏特性,使用共轭梯度法求最优解。通过运动捕捉系统下的机器人运动实验,验证了本文提出的单目SLAM算法对于光照变化的适应性。首先,给出了机器人采集图像和运动捕捉系统采集机器人真实运动轨迹的方法;然后,由图像信息计算出机器人运动轨迹,运动捕捉系统获得机器人真实运动轨迹,将机器人真实运动轨迹、ORB＿SLAM（Oriented FAST and rotated BRIEF SLAM）计算轨迹、本文算法计算轨迹进行拟合;最后,设计了两个对比实验,一是采集不同光线、不同视角下的一些图像,将传统特征提取算法与改进的特征提取算法进行特征跟踪的对比,二是使用基于卷积神经网络前端的SLAM系统和ORB＿SLAM,分别输入图像数据计算机器人的运动轨迹,然后把运动轨迹的估计值与真实值进行对比,使用相对位姿误差对机器人定位精度进行评估。结果表明本文提出的基于卷积神经网络的SLAM算法在光线变化以及视角变化的情况下都有很好的特征追踪效果,同时也提高了机器人定位精度。