室外环境下车辆的定位与导航可以通过GPS和高精地图来实现,但是在室内GPS信号较弱的情况下,车辆只能依赖自身携带的传感器进行定位与导航,因此,同时定位与地图建立(Simultaneous Localization and Mapping,SLAM)技术应运而生。早期SLAM研究主要基于激光雷达和IMU,随着计算机视觉的飞速发展,相机以其廉价、信息丰富等特性开始广泛应用于SLAM领域。后来微软公司推出了Kinect深度相机,凭借其可以直接获取场景深度信息的特性解决了使用单目相机和双目相机进行SLAM研究存在的计算量大和尺度的不确定性等问题,因此深度相机成为了视觉SLAM新的热点。本文算法基于Kinect获取的RGB彩色图像和16位单通道深度图像,在算法前端首先对相邻两帧RGB图像进行ORB(Oriented FAST and Rotated BRIEF SLAM)特征提取与匹配,对匹配成功的特征进行PnP(Perspective-n-Point)求解来得到相邻两帧图像间相机的运动估计,根据估计运动的大小筛选出关键帧,最后将筛选出的关键帧传递给SLAM后端。在算法后端部分,将筛选出的关键帧输入卷积神经网络提取其特征向量,通过计算向量间的余弦相似度来得到图像的相似度,利用图像相似度判定是否出现回环,若出现回环则在位姿图上增加相应约束,最后利用图优化理论对全局位姿进行整体优化。在建图部分利用估计的位姿和Kinect获取的彩色图与深度图进行稠密点云地图拼接,将点云地图转为八叉树地图并进行对比。本文算法在多种数据集上进行了测试,实验证明了:1)相比于无回环检测算法,本文算法可成功检出回环从而提高建图准确性。2)本文提出的利用卷积神经网络提取图像特征从而进行回环检测的方法相比于传统的词袋法在回环检测的准确率、召回率和速度上都有一定优势。经实验表明:用词袋法对两张图片进行相似度计算平均需花费0.5s,而使用本文方法平均需花费0.13s;本文方法比于词袋法在保证一定准确率的情况下召回率提高了21%。3)八叉树地图相比于点云地图,再能更加直观表示空间占有率的同时更为紧凑、更有利于提高算法的运行效率。经实验表明:一个大小为47.7m的点云地图对应的八叉树地图的大小仅为0.439m。