同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是实现移动机器人自主定位与导航的关键技术之一。经过长时间的发展,SLAM技术形成了基于滤波器和基于非线性优化的两类方法。近年来,随着消费级摄像机的出现以及计算机图像处理技术的发展,使用视觉方法的SLAM技术受到了越来越多的关注,并逐渐成为了该领域内的重要研究方向。由于视觉SLAM在移动机器人领域具有广阔的应用前景,因而本文从基于滤波器的SLAM方法出发,重点研究了基于视觉的SLAM技术。基于传统EKF方法的SLAM算法由于存在线性化误差和过程噪声干扰误差的累积,在定位精度和鲁棒性上具有一定缺陷。针对该问题,本文通过引入自适应渐消因子,提出了一种改进的基于滤波器的SLAM算法,并进行了仿真实验和公开数据集测试,结果表明该算法在定位精度和鲁棒性上均有所提升。在此基础上,对基于滤波器的单目视觉SLAM算法进行了研究。分析了单点RANSAC单目视觉SLAM使用的图像特征提取与匹配方法,阐述了新观测到地图点的逆深度初始化方法,同时将自适应渐消扩展卡尔曼滤波器应用到了单目SLAM算法当中,并在室内环境下对算法进行了测试。针对单目摄像机不能直接获取环境深度信息进而造成尺度漂移的缺点,本文通过使用双目摄像机来完成SLAM算法应用。为此,分析了双目视差测距原理,对前端图像特征的提取方法进行了研究比较。在此基础上,对双目视觉SLAM系统进行了详细的研究,并使用具有挑战性的公开数据对算法进行了实验测试,结果表明双目视觉SLAM算法具有较高的定位精度和较强的鲁棒性。