智能机器人作为人工智能新兴产品之一,具有非常广阔的未来市场。如何实现机器人的定位是机器人智能化的核心问题之一。同时定位和地图构建算法(Simultaneous Localization and Mapping,SLAM)是目前最主流的机器人定位算法。视觉SLAM是指系统输入信息只有来自相机的视觉信息(图像或视频流),通过视觉信息计算得到相机位姿等信息。基于特征点法的视觉SLAM是目前较为常见的机器人定位方法,在这种方法中,即使相机运动过大,只要匹配点还在像素内,也不会引起无匹配现象。但是特征点匹配过程,误匹配的现象普遍存在,降低了系统的性能。而且,在某些特殊场景下,比如相机旋转或移动过快造成图像模糊,纹理缺失或者光照变化等情况,基于特征点法的视觉定位系统都表现的不尽人意。针对上述问题,本文对移动机器人视觉SLAM算法进行了研究。研究了基于点特征的ORB-SLAM2视觉定位算法的原理和方法,包括前端视觉里程计、后端非线性优化、闭环检测及地图构建。首先,分析了相机标定原理及方法。其次,基于图像特征提取,研究了ORB点特征的提取方法及原理,并介绍了一些特征匹配方法。针对特征匹配过程误匹配的问题,提出一种改进的KNN-RANSAC特征提取匹配算法,通过实验证明,在几乎不影响实时性的基础上,该算法提高了特征匹配的正确率,改善了系统的整体性能。针对传统的ORB-SLAM2系统在相机旋转或移动过快造成图像模糊,纹理缺失等情况下,容易发生相机跟丢的问题,研究了基于点线特征的视觉定位算法。采用LSD算法进行线特征提取,并针对LSD线特征提取出现的过分分割现象,提出一种改进线段特征合并算法,实验证明,该算法减少了线特征匹配过程的耗时,提高了算法的实时性。并且采用RANSAC算法降低线特征匹配过程的误匹配,得到优质的线特征匹配结果来估计相机位姿,以此提高系统的整体性能。最后,使用个人计算机搭建了实验仿真平台,使用KITTI数据集测试进行测试,验证了改进的基于点线特征视觉定位算法的优越性。