自从进入二十一世纪以来,信息化技术和人工智能技术得到迅猛的发展,同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术被广泛运用于医疗辅助技术、无人驾驶汽车、AR/VR、无人机和智能移动机器人等领域。针对SLAM问题存在特征提取时计算机资源消耗大、图像特征配准时存在误匹配、位姿估计不够精确等问题。本文利用RGB-D相机(Kinect V2)进行SLAM系统搭建并进行试验,具体实验内容如下:首先详细介绍了小孔成像模型和深度测量原理,对Kinect进行了标定实验,得出相机的内外参数模型,为后面的特征提取与配准,位姿估计等提供更精准的图像信息。其次对于资源消耗的问题。本文对图像分别进行SIFT、SURF、ORB的特征提取与匹配实验,并对他们提取出同等数量特征点所消耗的时间和和成功的匹配对数量进行对比,实验表明ORB特征的提取速率方面有较大的优势,考虑到SLAM所需的实时性问题采用ORB特征,针对特征匹配时不可避免的出现误匹配情况,在传统剔除误匹配的方法上进行了改进,提高了匹配对的数量。在相机的位姿估计过程中,考虑到Kinect测距的准确率会随着距离的增加而降低,本文采用了PnP和ICP相结合的算法,对于较为准确的匹配点,我们采用ICP的方法实现位姿的估计,对于距离较远Kinect未能得到其深度信息的彩色区域,我们利用PnP的方法来实现相机的位置估计。在利用图优化的方法进行优化,提高系统的精度和健壮性。然后采用一种基于视觉特征的词袋模型进行回环的检测,本文利用k叉树聚类的方法对关键帧进行特征的聚类并训练出词典,这样提高了系统的回环检测速度和准确性。最后,采用国际公开的数据集对此算法进行了验证,同时在实验室和走廊进行了实时的实验,实验结果表明该算法能较为准确的实现机器人的定位与建图。