信息科技时代,为了更好的解放生产力,智能机器人横空出世。在危险性高、环境复杂的工作环境下,智能机器人成为了我们的不二之选。对于智能机器人来说,同时定位和建图技术（Simultaneous Localization and Mapping,SLAM）是实现其自主移动的关键技术。为了实现该目的,近年来,以Kinect为代表的深度视觉传感器以价格实惠,稳定性高等特点被广泛应用于室内环境的地图建模。对于视觉SLAM而言,处理室内复杂和多变的环境图像信息从而实现高精度的定位和构建更准确的地图是该领域研究的热点和难点之一。本文主要研究基于Kinect传感器和ORB-SLAM2的室内定位和建图算法。根据基本的视觉SLAM理论框架,结合ORB特征点（Oriented FAST and Rotated BRIEF,ORB）的特点和Kinect传感器直接获取图像深度的特性,实现了精度更高,图像处理时间更短的定位系统。为了有效提高相机在提取图像特征点时的效率,降低多特征点冗余表示同一图像区域的几率,提高图像后续匹配和位姿优化的成功率,本文提出了一种改进ORB特征点提取算法的均匀化特征点提取策略。通过改进阈值后的FAST角点提取方法对候选的特征点进行初步筛选,再采用四叉树方法对特征点进一步筛选,使提取到的特征点均匀分布在图像中,消除特征点聚集现象,提高后续特征匹配以及定位和跟踪的精度。此外,为了有效提高图像间匹配的正确率,消除错误匹配,本文使用了随机一致采样算法（Random Sampling Consensus,RANSAC）对特征点进行后续的匹配处理,克服了快速最近邻搜索匹配算法（Fast Library for Approximate Nearest Neighbors,FLANN）的缺点和不足。同时,在回环检测的模块,提出了基于词袋模型的错误回环剔除模型,使后端优化的效果更加显著。最后,本文将以上改进算法进行实验设计与分析总结。实验结果表明,改进后的特征提取算法稳定性高,对于纹理较弱的图像区域有一定的适应能力,并且相较于其他算法具有较快的运算速度,可以满足实时性的要求。在采用RANSAC算法进行特征匹配后,能消除大部分的错误匹配,提高匹配的精确度。基于词袋模型的回环检测模块也能通过图像相似度的计算迅速判断是否形成回环,消除系统的累计误差。