同时定位与地图构建(simultaneous localization and mapping,SLAM)技术在自动驾驶、服务机器人、无人机和AR/VR等领域有着广泛的应用,是智能体实现自主导航的关键。以Kinect为代表的深度相机受到了SLAM研究者的广泛关注,本文基于深度相机的移动机器人视觉SLAM研究,具有重要的理论意义和应用价值。主要工作如下:首先,本文对比了激光、视觉SLAM的传感器的优缺点,选择Kinect相机作为视觉SLAM的环境信息获取传感器,研究了Kinect相机的成像原理以及相机内参的标定方法,在ROS操作系统下分别完成彩色、深度摄像头的内参标定。针对室内环境,结合常见的视觉SLAM方案中的优势模块,对RGB-D SLAM方案进行了改进。其次,在前端位姿估计中,针对Kinect传感器获取的深度信息存在噪声问题提出了一种改进的误匹配剔除方法,使用高斯函数作为损失函数、权值分类样本的RNASAC算法进行图像精确匹配。结合图像匹配点集和阈值筛选的深度信息,并通过迭代最近点(Iterative Closest Point,ICP)算法配准提高帧间运动估计。通过实验证明,该方法提高了图像匹配准确率和降低了算法的平均耗时,提高了运动变换估计。随后在后端优化中,针对相邻帧间的运动轨迹出现漂移问题,采用光束平差法(Bundle Adjustment,BA)算法进行相邻关键帧间位姿估计的局部优化。针对闭环检测效果差,结合改进的词袋模型(Bag-of-Words,BoW)空间分割和ICP配准的内点阈值的方法筛选回环帧。在闭环检测的基础上,利用Ceres方法进行位姿估计的全局优化。通过实验证明,BA算法减少了运动轨迹漂移,在改进的闭环检测的基础上,经Ceres方法优化的位姿图较接近真实数据,提高了运动轨迹估计的准确度。最后,在Pioneer-3DX移动机器人的硬件平台和ROS操作系统的软件平台上完成了基于Kinect的移动机器人SLAM系统的实现。为了验证本文提出的改进的位姿估计方法、改进闭环检测方法的准确性和在室内环境中的可行性,分别在TUM数据集和室内场景中进行实验。实验结果证明,本文的方法减少了移动机器人位姿估计误差,在室内环境的定位和建图具有可行性。