近些年,随着视觉传感器以及计算机视觉技术的迅速发展,视觉SLAM技术日趋成熟,并被学术界和工业界广泛应用于移动机器人、虚拟现实等多个领域。然而,标准视觉传感器具有多种技术限制,例如高能耗、高延迟、高信息冗余、低时间分辨率,极大地限制了其在高速机器人和视觉任务中的应用,如自动驾驶、无人机等。加之实际应用场景的复杂性（高动态范围等）,现有视觉SLAM系统基于标准图像进行同时定位与地图构建任务,会不可避免地产生算法失效的问题,严重影响了系统的鲁棒性和稳定性。随着神经形态成像技术和硅视网膜技术的发展,动态视觉传感器,即事件相机开始出现并逐步商业化。事件相机基于事件驱动的方式捕捉场景中的动态变化,响应像素级的亮度变化,输出异步的事件流数据。这种新型的动态视觉传感器具备低延迟、低能耗、高时间分辨率、高动态范围等优势,这些优势使其具备应对上述挑战的潜力。本课题基于事件相机开展,主要研究了处理事件相机输出的异步事件流数据的方法,设计了一种新型的异步事件特征检测和追踪方法。课题围绕异步事件特征检测技术、事件特征梯度描述子构建技术、异步事件特征检测与追踪模型三个方面展开研究,具体说来:（1）针对如何从事件相机输出事件流中提取特征的问题,提出一种直接操作于异步事件流的异步事件角点特征检测技术,包含两个核心策略,即全局SAE维护与更新策略和候选事件角点特征选择与细化策略。（2）针对如何利用事件流信息对事件特征进行特征描述的问题,提出一种事件特征梯度描述子构建技术,构建的事件特征梯度描述子包含事件角点的局部梯度分布信息,用于定量度量事件特征之间的相似性。（3）基于上述研究,采用一种异步事件特征匹配算法,设计了一种基于事件相机的异步事件特征检测与追踪模型,模型输入为事件相机的异步事件流数据,输出为事件特征的轨迹,包括异步事件角点特征检测、事件特征梯度描述子构建、异步事件特征追踪三个阶段。基于上述研究内容,课题使用ROS作为数据通信接口,设计并实现了异步事件特征检测与追踪原型系统。通过在事件相机公开数据集上的反复实验,本文对实现的原型系统进行了性能测试与评估,测试结果表明,原型系统能够运行于高动态范围场景中,并且相比于已有的基于事件相机的异步特征检测与追踪方法,在特征检测的准确性、实时性上,在特征追踪的准确性、追踪时长、实时性性能和事件数据处理能力等方面都取得了较好的性能提升。上述异步事件特征检测和追踪技术充分发挥了事件相机的异步特征,能够在一定程度上适应高速运动、高动态范围等挑战性场景,为解决视觉SLAM技术在挑战性场景下的鲁棒性问题提供了新的研究思路,为搭建完整的视觉里程计系统及同时定位与地图构建系统提供支撑。