现今,基于视觉的定位与建图算法成为SLAM(Simultaneous Localization and Mapping,SLAM)领域研究的主流研究方向。视觉SLAM即机器人搭载视觉传感器,在没有先验信息的情况下,通过运动过程建立环境地图的同时估计运动轨迹。基于视觉的机器人定位与建图算法具有传感器成本低廉、累计漂移误差小、可建立三维地图等优势,但是定位精度容易受到光照变化的影响。为了提高视觉SLAM算法在环境光照变化下的鲁棒性,获得更好的建图与定位性能,本文将从如下方面对视觉SLAM算法进行研究和改进。首先,本文介绍了稀疏直接法视觉里程计DSO(Direct Sparse Odometry,DSO)的定位、建图原理和基于词袋模型的闭环检测算法,给出了相应的公式推导和求解过程。为了提高闭环检测中训练字典的视觉特征分布的合理性和纹理的鲁棒性,本文提出了一种视觉特征的筛选策略。本文在数据集上设计仿真实验,分析验证了所提改进的特征提取算法的性能。其次,本文介绍了基于相机光度成像模型的实时曝光补偿算法,讲解了光度参数中响应函数、曝光时间和光晕系数对相机成像的影响,引入了基于上述参数的曝光补偿算法。本文通过对第一章中改进的视觉特征进行光流跟踪,建立了基于光度参数的误差能量方程,迭代求解光度参数后对图像的曝光情况进行实时补偿。仿真实验结果表明,实时曝光补偿算法可以有效地对图像的曝光情况进行动态补偿。然后,本文将实时曝光算法和稀疏直接法视觉里程计进行结合,建立联合光度优化方程,更新光度参数和相机位姿。本文设计了多组仿真实验和实际实验验证算法的性能,实验结果表明,本文提出的实时曝光补偿的单目稀疏直接视觉SLAM算法在一定光照变化条件下具有较好的定位和建图性能。最后,为了进一步提高算法在光照变化较大环境中的性能,本文采用松耦合的方式,将直接法视觉SLAM的建图优势和间接法视觉里程计的定位优势进行结合。通过对边缘化的关键帧间采用特征匹配,根据先验信息修正关键帧位姿,构建三维地图。仿真实验结果表明,本文算法在光照变化挑战数据集上的性能得到提升。实际实验结果表明,本文算法在动态光照环境中具有较好的鲁棒性。