实时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术一直是移动机器人在未知环境中进行自身定位与环境认知领域的研究热点。基于Kinect的视觉SLAM技术因其含有大量的图像信息,能够准确感知环境信息且具有低廉的价格而被广泛研究。本课题主要研究内容包括机器人移动平台的搭建、基于Kinect深度误差约束的平面特征点提取与位姿估计方法、基于词袋模型的回环检测及位姿优化、SLAM过程中的位姿丢失恢复方法设计以及相关实验研究。本文首先搭建机器人运行的移动平台,包括硬件电路、软件控制。机器人系统底层采用基于ARM处理器的硬件电路设计,负责处理底层数据以及与上位机的通信;在机器人运行的移动平台中增设智能语音控制,实现语音对话与机器人移动控制;在上位机系统中,搭建ROS系统,实现各个节点中消息共享。其次,针对Kinect相机获取的深度误差随着距离的增大而增大的问题,在SLAM系统中,研究基于Kinect深度误差约束的特征点提取与位姿估计方法。利用深度误差函数,增加所提取平面特征的内点数量,同时根据平面参数对平面中的点云进行深度优化;在位姿估计中,根据深度误差函数设置动态权重因子,减少远距离特征点在位姿估计中所占的权重,并进行仿真验证。然后,在SLAM的回环检测中,对相似环境下容易发生假回环的问题,研究基于相似环境下假回环剔除的位姿优化方法。利用运动估计中内点数量和运动阈值增加对候选回环帧校验,以及在位姿优化过程中利用卡方分布,检测回环族群约束一致性,剔除错误回环约束。在建图过程中,机器人会因相机发生遮挡或其他原因产生无法估计当前位姿的问题,针对此情况,研究基于ROS里程计的位姿恢复方法,使用ROS里程计建立丢失前关键帧与恢复后关键帧的位姿约束。最后,为了验证本文设计的移动平台以及在SLAM中的基于Kinect深度信息的特征点提取与位姿估计方法、改进回环检测和运动优化算法的可行性,对各个模块分别进行实验研究。实验结果证明本文设计的方法可以减少SLAM过程中的基于Kinect深度优化的位姿估计误差、提高相似环境下的回环检测和位姿优化的准确性以及实现基于ROS里程信息的位姿恢复。