随着时代科技的发展,计算机视觉定位领域的研究已逐渐兴起并具有很重要的研究意义。双目视觉定位与建图（Simultaneous Location and Mapping,SALM）成为了主要的研究方向之一,它常被应用于机器人当中,例如医疗服务中的消毒机器人、服务大厅的引导机器人等。在未知环境中,机器人不知道如何移动,因此,视觉SLAM技术可解决这一难题。在机器人移动时,通过此技术可以定位与建图。视觉SLAM框架主要分为前端、后端、回环检测、建图四个部分,其中前端模块中的双目图像匹配是视觉SLAM的关键技术之一,双目图像匹配技术为视觉SLAM后续的模块奠定了重要的基础。所以正确的匹配对数与总的匹配数的比值的提高对视觉SLAM的定位精度起到了非常关键的作用。本论文将围绕双目相机模型、特征法展开分析。但是特征法对图像进行特征点提取匹配时,目标物体上出现多余匹配特征点和错误匹配对。针对这一问题本文引入是深度学习中的目标检测YOLO（You Only Look Once）算法,并与传统的特征点算法进行融合,进而提高双目图像特征匹配的精度。论文首先论述了双目立体视觉原理,详细描述了图像的成像过程,并对双目摄像机标定过程进行分析,为之后所述内容做好铺垫。深入研究特征法对图像进行特征点提取和匹配的原理。比如尺度不变特征变化（Scale-invariant feature transform,SIFT）算法、局部特征（Speeded Up Robust Features,SURF）算法和快速特征点提取和描述（Oriented FAST and Rotated BRIEF,ORB）算法,并仿真分析各个算法的性能及其优缺点。为了更好的提高图像中目标物体匹配的精度,随着深度学习的不断发展,论文引入了YOLO＿V1、YOLO＿V2和YOLO＿V3算法并详细描述了他们的基本原理。同时使用双目摄像头采取图像,并使用Label Image对标注图像中的目标物体,标注信息中会存在.xml文件中,完成双目图像数据集。使用YOLO系列算法对双目数据集进行训练和目标检测,可得到图像中的目标物体的位置信息和类别信息,并对YOLO系列算法性能进行对比。接着针对YOLO系列算法无法检测出小目标物体的问题,运用空间金字塔池化模块（Spatial Pyramid Pooling,SPP）,将其嵌入YOLO＿V3卷积神经网络模型中,使之实现不一样的视觉感受区域大小,还可以实现图像的整体特征和部分特征的合成一体,这样小目标物体的特征更容易显现出来,更加的丰富了图像的表达能力,从而增强小目标的检测准确度来提高网络整体检测成功率。最后,针对左图像与右图像之间出现错误匹配对的问题,本文将改进YOLO＿V3和ORB算法融合,这两种算法的融合有效的提取出图像特征和辨别出目标物体的类别及所处区域,消除目标物体上多余的匹配特征点,减少错误匹配对。实验表明,虽然该算法易受到光线照射的影响,但是相较于ORB算法,ORB与改进YOLO＿V3融合算法对图像的匹配精度仍有较大的提升。