同时定位与地图构建(Simultaneous Localization and Mapping,简称SLAM)是目前机器人研究的热点之一,指的是机器人在未知环境中的未知位置开始移动,通过自身携带的传感器获取外部环境信息来对自身进行定位,同时构建周围的环境地图。摄像头性价比高,易于安装,且图像中包含了丰富的信息,因此视觉SLAM研究受到了越来越多的关注。ORB-SLAM是基于图优化的SLAM系统,并且支持单目、双目和RGB-D相机,是目前最优秀的特征点法SLAM系统。本文首先分析了ORB-SLAM系统中的各个模块,阐述了各个模块的原理和功能并分析了视觉SLAM相关的一些算法,为后续的研究提供了必要的理论基础。随着视觉SLAM越来越多的应用到移动平台中,算法的速度变得越来越重要,在特征匹配算法中,不同的特征检测算法和特征描述算法对系统的速度有着很大的影响。本文对特征检测算法进行了研究,详细分析了目前常用的特征检测算法,通过实验验证了ORB算法的优越性,为提高算法速度,本文提出将ORB算法与AGAST算法进行融合,并基于ORB-SLAM系统提出了一种改进的特征匹配算法,在公共数据集上的实验结果表明本文提出的方法在保持系统鲁棒性不变的前提下提高了算法的速度。视觉SLAM的一大目标是机器人的定位,另一大目标是构建地图,地图是SLAM系统与上层应用沟通的重要桥梁。对操作人员而言,远程机器人的地图可视化非常重要,离线构建可视化地图大大降低了操作的便利性,ORB-SLAM系统可以实时构建稀疏特征点地图,但该类地图对操作人员而言不够直观。本文对视觉SLAM中的地图构建进行了深入研究,分析了目前常用的地图形式以及构建点云的相关算法,然后基于ORB-SLAM提出了实时构建稠密点云地图的方案,并利用体素滤波对地图进行优化,接着在此基础上提出了实时构建八叉树地图的方案,使得地图的占用空间进一步缩小。在公共数据集上的实验结果表明本文提出的方案是切实有效的。