近些年,随着智能机器人和无人车等技术飞速发展,同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统作为智能机器入和无人车定位和导航的基础正发挥日益重要的作用,使用低成本的视觉传感器的构建视觉SLAM系统也随之成为热点问题。手工设计算法获取的图像特征点和描述子存在鲁棒性较差的问题,在光照变化、角度变化和低纹理度的条件下精度较差,因此使用卷积神经网络获取特征点和描述子的视觉SLAM系统存在重要的研究价值。本文以基于深度学习的视觉SLAM为研究对象,围绕特征点和描述子提取网络和模型压缩展开了相关研究,本文的主要工作与成果如下:1.针对视觉SLAM中的特征点和描述子算法,本文提出了基于深度可分离卷积的特征点和描述子提取网络。在超点网络基础上,本文改进了超点网络描述子解码器的上采样方式和损失函数形式,将深度可分离卷积应用于超点网络,最后将网络层数、卷积核维度和下采样方式进行更改。实验结果表明本文提出网络在特征点和描述子提取速度更快,提取精度相近,证明了方法的有效性。2.针对特征点和描述子提取网络在计算资源有限的设备上运行速度较慢的问题,本文提出了网络剪枝和知识蒸馏融合的模型压缩算法。本文将改进后的通道剪枝算法应用于深度可分离卷积并且改变剪枝流程使得剪枝算法能够对本文网络进行剪枝。针对剪枝压缩率过高导致模型性能下降明显的问题,本文使用知识蒸馏的方式提升剪枝后网络提取特征点和描述子的精度。本文将超点网络论文中的提供的模型作为教师网络,剪枝后的模型作为学生网络。最后实现了在高压缩率的同时网络精度仅有轻微幅度降低。3.将本文提出的轻量级网络应用于ORB-SLAM2的特征点和描述子提取过程,实现基于深度学习的视觉SLAM系统。实验结果表明了本文SLAM轨迹估计精度比ORB-SLAM2系统更高,验证了本文系统的有效性。