SLAM(Simultaneous Localization and Mapping)同时定位与地图构建是人工智能和机器人领域的重点研究方向,它的目标是搭载传感器的机器人在没有任何预先信息的情况下,从某个特定位置开始运行,最终完成构建环境地图以及自身定位的过程。相机能够获取丰富的环境信息并且便于携带,所以非常适合作为视觉SLAM的传感器来使用。视觉SLAM的目标之一是机器人的定位,因此算法的鲁棒性非常重要,特征点的误匹配会对机器人的位姿估计带来极大影响。在特征匹配算法中,不同特征提取算法和特征描述算法的组合会影响到系统的鲁棒性和实时性。因此,本文先分析了当下最流行的几种算法,随后对特征匹配算法进行了研究,并在开源数据集上进行了对比实验,最终选取了特征点法中质量与性能较好折中的ORB算法加以改进,在保证其旋转不变性的基础之上增加了尺度不变性。本文提出了基于相关性约束的特征描述子筛选方法,分别对ORB和FREAK的特征描述矩阵进行了滤波和降维,在特征匹配阶段将ORB中的r BRIEF算法与FREAK算法进行了融合从而提高算法的鲁棒性,并提出了预测试提高算法性能。最终通过改进前后的对比实验证明了本文提出的算法在保证系统实时性的基础上提高了鲁棒性。回环检测对于视觉SLAM系统有着重要的意义,它可以使系统避免出现误差的累积,构建出完整的轨迹地图。本文研究了回环检测中经典的词袋模型,分析了现阶段回环检测算法存在的不足,针对不足提出了改进的K均值层次聚类算法,加快了特征点的聚类效率,剔除了孤立噪声点,并且通过构建字典树的方式加快了单词的检索效率,接着提出了改进的RANSAC算法,使用汉明距离进行特征点过滤,增加了排序和模型验证的步骤,减少了算法迭代次数,提升了算法去除误匹配的准确率。针对回环检测依赖外观相似度的弊端提出了基于一致性检验的回环检测算法,通过比较当前关键帧与被测关键帧周围图像相似度的思想来设置回环缓存机制完成时间一致性检验,通过误匹配剔除的思想计算两幅关键帧图像的内点数量从而完成几何一致性检验。实验结果表明本文提出的改进算法在保证一定召回率的情况下拥有较高的准确率。