同时定位与建图（Simultaeous Localization and Mapping,SLAM）技术是近些年来最受关注的研究方向之一。本文围绕室内移动机器人,对现有的视觉SLAM经典框架进行改进,设计出适用于室内定位的SLAM算法,并通过公开数据集以及小觅摄像头采集的真实环境进行验证,结果显示本文算法显著提高了室内移动机器人定位的快速性及鲁棒性。本文的主要工作如下:1 现有SLAM框架往往考虑多数场景,没有利用到室内场景下的环境特点,导致运行效率低。因此本文首先基于室内水平地面约束,对各种关键点及描述子进行深入研究,设计相关的特征点实验,得出最适合本文场景的关键点及描述子组合,比ORB-SLAM2的前端匹配效率高五倍。其次,本文基于ORB-SLAM2改进其视觉前端,采用基于光流法追踪的视觉里程计（Visual Odometry,VO）,并对图像进行预处理操作,提高了特征点的质量。最后,在数据集上与ORBSLAM2对比,本文的算法快了接近一倍,而定位精度与ORB-SLAM2相当,并且在特征点不丰富的环境下本文的算法鲁棒性更高。2 针对单目相机无法估计绝对尺度的缺陷,以及在室内低纹理处跟踪丢失的问题,本文基于改进的视觉前端,提出基于滑动窗口融合惯性测量元件（Inertial Measurement Unit,IMU）的算法,包括跟踪（Tracking）线程和局部建图（Local Mapping）线程的算法实现,以及IMU传感器初始化的方法;研究IMU的误差模型和运动模型,推导出IMU在连续时间下和离散时间下的模型,并对欧拉积分和中值积分两种方式进行对比,选择效果更好的中值积分;利用Kalibr对相机和IMU进行联合标定,得到IMU和相机之间的外参数,为后面的视觉惯性里程计（Visual-Inertial Odometry,VIO）系统打下基础。通过真实场景下的实验对比,本文算法在室内白墙处能够改善轨迹漂移的问题;通过在Euroc下的实验对比,本文算法比纯视觉SLAM方法定位精度更高,能够解决尺度不确定的问题,并且具有与目前先进的VIO系统相当的鲁棒性及定位精度。3 针对室内存在的动态场景影响定位精度以及重定位的问题,提出基于目标检测和基于三点帧差法的算法。两种算法均用于剔除动态点,其中基于目标检测的算法是利用Mark-R CNN的方法,基于三点帧差法的算法是利用图像的几何信息,通过在TUM数据集下进行的实验对比,本文算法的定位精度在高动态环境下提升显著,其中基于目标检测的算法提升了十倍,基于三点帧差法的算法提升了四倍;低动态环境下则均提升20%。基于三点帧差法的算法由于具有实时性的优势,因此更适合本文场景。