随着科学技术日新月异的发展,移动机器人越来越智能,且具有自主性。同步定位与地图构建(Simultaneous Localization And Mapping)是机器人自适应导航领域的基本问题与热点研究方向。移动机器人所在环境中各种物体的空间相对位置的精准描述称之为地图构建。而同步定位是指移动机器人根据地图确定其在环境中的位置,并对地图进行实时更新。视觉传感器与超声波、激光传感器等相比,可以获得更多的直观信息,不仅能提高移动机器人对环境的适应能力,还能缩短运行时间。本文针对双目视觉基于图像特征点匹配的机器人SLAM进行分析研究。第一,给出了移动机器人的运动方程与观测方程,介绍了里程计建模方法及摄像机模型,阐述了双目视觉成像原理,通过摄像机畸变补偿和坐标转换,得到环境特征点在移动机器人坐标体系的具体位置,将其带入到后续的SLAM研究中。第二,针对ORB算法具有运算快速性,但是在图像尺度发生改变时,特征点匹配的精度下降的问题,本文对其进行改进,得到一种新的SURF-ORB(简称SURB)算法。根据提取的具有尺度不变性的SURF特征点构建ORB算法描述子,特征点匹配时,对待处理图像采取区域分块,缩减原始搜索范围,节约了无效区域的特征点匹配时间,采用汉明距离和PROSAC(progressive sample consensus)方法对筛选的特征点去伪,获得较准确的特征匹配点对。不仅减少了时间与能量消耗,而且降低了移动机器人SLAM的误差率。第三,容积卡尔曼滤波(Cubature Kalman Filter, CKF)根据容积规律选取若干具有不同权值的容积点,运用到非线性方程经过相关处理后可得到随机变量的统计特性。与EKF-SLAM和UKF-SLAM综合比较,CKF-SLAM对状态的预测精度较高。.但是,当系统突变时,CKF-SLAM定位效果不佳。针对此问题,对CKF-SLAM研究进行改进,提出强跟踪平方根容积卡尔曼滤波同步定位与地图构建算法(STF-SRCKF-SLAM)。STF-SRCKF以强跟踪滤波器为主要理论基础,具备移动机器人在模型不确定时仍能保证系统鲁棒性强的特点,避免了系统可能产生的滤波发散,同时保留了SRCKF运行稳定的优点。最后综合SURB算法与STF-SRCKF-SLAM,通过多次模拟仿真得出结论,改进后的视觉SLAM算法能够帮助移动机器人改善对非结构环境的认知能力,提高自适应决策的速度和SLAM的准确度。