Los sistemas de localización y mapeo simultáneos (SLAM) juegan un papel importante en el campo de la robótica automatizada y la inteligencia artificial. La detección y coincidencia de características son aspectos cruciales que afectan la precisión general del sistema SLAM. Sin embargo, la precisión de la posición y la coincidencia no se puede garantizar cuando se enfrenta a un ángulo de vista cruzada, iluminación, textura, etc. Además, los métodos de aprendizaje profundo son muy sensibles a los cambios de perspectiva y no tienen la invariancia de la transformación geométrica. Por lo tanto, en este artículo se propone una nueva red neuronal convolucional pseudo-Siamés de detección de características de invariancia a transformaciones y una descripción para el sistema SLAM. El método propuesto, al aprender características y descriptores de invariancia a transformaciones, mejora simultáneamente el módulo de detección y seguimiento de puntos de referencia en el front-end del sistema SLAM. Convertimos la imagen de entrada en el campo de transformación; la red base fue diseñada para extraer mapas de características. Luego, se descompuso y diseñó la subred de detección de características y la subred de descripción de características; finalmente, construimos una red neuronal convolucional de detección de características de invariancia a transformaciones y una descripción para el sistema visual SLAM. Implementamos muchos experimentos en conjuntos de datos, y los resultados de los experimentos demostraron que nuestro método tiene un rendimiento de vanguardia en el seguimiento global en comparación con el de los sistemas visuales SLAM tradicionales.