在陌生场景下,机器人的首要任务就是获取位置及其周边信息,其中的关键技术就是同时定位与建图（Simultaneous Localization and Mapping,SLAM）,由于其在机器人领域上的应用前景,视觉SLAM的相关研究引起了广泛的关注。本论文在经典视觉SLAM框架的基础上,对视觉里程计和闭环检测两个模块进行研究。在视觉里程计模块,针对传统方法存在的鲁棒性差和尺度漂移问题,提出了基于深度学习的光流视觉里程计,利用卷积神经网络在图像特征提取方面的卓越性能,获取更精确的图像匹配关系,从而提升相机位姿估计的精度,并对视觉里程计的尺度不确定性问题进行了优化。在闭环检测模块,多数回环检测主要采用单独的点特征,然而在点特征稀疏的场景中,闭环检测算法性能较差。图像中除了点特征外,还存在不同信息来源的线特征。纹理稀疏场景下,图像中的线特征能够适当的对点特征进行信息补充,因此在闭环检测模块,对点线特征的结合进行了研究,提出一种结合点线特征的闭环检测算法。主要工作和贡献如下:首先,针对传统视觉里程计算法中,图像匹配耗时长、图像信息利用效率低对环境依赖性强等问题,本文提出了基于深度学习的光流视觉里程计。利用深度学习方法对图像光流进行估计,从而提高两帧图像匹配准确率,同时,为进一步提升算法位姿估计的准确度以及优化位姿估计中出现的尺度不确定性问题,对视觉里程计算法框架中引入了尺度对齐模块,优化了尺度模糊问题。最后在实验部分与传统视觉里程计方法和纯深度学习方法进行了对比,验证了本文算法的有效性。其次,在点特征稀少的特定场景中,基于单独点特征的闭环检测方法在检测准确率上表现较差。为了提升闭环检测的鲁棒性,对不同信息来源的特征进行了探索,对结合点线特征的闭环检测算法进行了研究。本文对图像信息的提取过程进行了研究,对其中的点线特征的提取进行了介绍,并通过公开数据集进行离线训练,构建混合视觉词典,可同时对环境轮廓和结构化信息进行描述,对环境的适应性明显提升。实验结果表明,基于点线综合特征的闭环检测算法的准确率有着明显提升,在不同场景下都有着优异的表现。