在未知的环境中,移动机器人使用自身所携带的传感器,进行同时定位和地图构建,即SLAM,被认为是实现移动机器人自主化的关键。而在增强现实、无人驾驶、三维重建等领域都出现了SLAM的身影。随着计算机视觉技术的发展,视觉传感器因数据量大、经济、方便等优点被广泛地应用到了SLAM中,单目视觉SLAM更是成为研究的热点和难点。本文主要研究的是单目视觉SLAM,整个系统可分为前端跟踪,后端优化及稠密重建三大模块。主要的研究工作和成果如下:首先,对跟踪前端进行了研究,为满足跟踪的实时性要求,选用了性能更好的ORB特征作为路标点。研究了ORB特征点的提取与匹配,为后续估计相机位姿提供基础;PnP方法求解位姿以及三角测量法计算特征点的三维位置,得到稀疏的特征点地图。针对单目相机所产生的尺度不统一问题,提出了一种基于改进RANSAC-EightPoint算法的自动初始化方法,可自动选择较好的两幅视图,用改进RANSAC-EightPoint算法来估计两图像间的位姿,可消除误匹配的影响,防止位姿估计陷入局部最优并三角化一组初始地图点以供后续跟踪。对于不同的数据集,本算法都能较好地完成初始化,之后所估计得到的轨迹具有全局一致性。其次,针对稀疏的特征点地图无法满足导航、避障、三维重建等需求,本文对单目视觉的稠密重建进行了研究。在本文中采用逆深度滤波技术来实现单目稠密重建,其做法是:先通过立体搜索约束得到像素点的初始逆深度估计,再通过与相邻关键帧的对极线约束搜索,得到了像素点的一组逆深度估计,对这些假设进行融合得到一个逆深度模型。本系统新增了一个稠密重建线程来实现上述过程。这样,与跟踪和优化两个线程并行计算,即不会很影响原有运行效率,满足了系统的实时性要求,又能较完整地重建出所处的真实场景,获得一个半稠密地图,可满足后续更多的需求。然后,对后端优化进行了研究,引入图优化理论,把一个优化问题简单直观地表述成了一个图,系统性地介绍了整个优化过程和图优化问题的求解。并利用其来做捆绑集优化和位姿图优化,构建相应的图和定义相应边的误差函数,以完成对所估计的相机位姿和特征点位置的优化。最后,通过TUM标准数据集来对整个系统进行评估,实验结果表明跟踪速率可以达到实时,所估计的轨迹也能满足较好的精度要求,并还可获得一个更能反映真实场景,信息更加丰富的半稠密地图。对自采集的数据集进行实验也有较好的表现。