图像特征匹配可在两幅图像之间建立可靠的点对应关系,是图像检索、目标定位和三维重建等高层次计算机视觉任务的基础。VSLAM（Visual Simultaneous Localization and Mapping）作为一种具有低成本优势的机器人定位方法,是近年移动机器人技术的研究热点,图像特征匹配在其中也发挥着重要作用。VSLAM主要包括两方面的内容,机器人位姿状态的估计以及环境地图的构建和完善。基于视觉传感器的SLAM系统通过特征匹配在图像帧之间实现数据关联,而数据关联的准确性将直接影响后续的定位性能。本文围绕错误匹配剔除和视觉SLAM定位需求,着重研究了基于全局空间位置关联的匹配筛选方法、基于深度学习的匹配筛选方法及其视觉SLAM应用实现。主要工作包括:针对存在平面外旋转和较大视点变化的宽基线图像配准问题,提出了基于全局空间位置关联的匹配特征点筛选方法——DNF（Descriptor Net Filter）。定义了局部匹配质量判据和全局匹配质量判据,利用判据分别提取出图像的局部及全局信息。根据局部匹配质量判据,从初始匹配集中选择可靠的匹配项作为拓扑网络的组成元素,然后通过比较全局匹配质量判据可以有效地剔除错误结果。采用VGG,HPatches和3D Objects数据集与常规算法进行了对比测试,表明DNF算法显著改善宽基线条件下的特征匹配精度。为了提高使用特征匹配进行位姿估计的准确性,提出了基于Dense Block的匹配筛选卷积神经网络。从匹配数据的整体属性出发,采用密集的跨层连接结构作为网络主体骨架,以1×1卷积核对无特定顺序的匹配结果进行特征提取,最终获取每个匹配项的分值。基于YFCC100M和SUN3D数据集对网络进行了训练和测试,并针对位移和角度误差对不同网络模型进行了优化筛选。结果表明,基于Dense Block的匹配筛选卷积神经网络的位姿预估结果优于其它算法。基于上述匹配筛选网络,针对广泛应用的ORB-SLAM提出了具备匹配筛选网络模块的改进VSLAM结构。在视觉SLAM系统中引入基于深度学习的匹配筛选方法,编译Tensorflow深度学习依赖库,以C++API的方式实现网络模型的调用,剔除其中的错误匹配,确保数据关联的准确性。实验采用TUM、EUROC和KITTI数据集对改进后的系统进行了验证和比较分析,结果表明系统在低纹理或相机运动剧烈等难度较高的场景中,定位精度有较大提升,并可在长距离移动过程中有效减小误差积累。最后将该视觉SLAM系统移植到移动机器人测试平台上,并在真实的室内外场景中进行了对比测试,取得了较好的定位精度。