近年来,随着机器人产业的发展与成熟,具有高自主性和灵活性的移动机器人成为了各领域的热门研究方向。即时定位与地图构建技术是使移动机器人实现自主行走于作业的关键性技术。SLAM的核心部分是指机器人在未知环境中仅使用自身传感器采集的信息实现位姿估计与增量式地图的构建的过程。其中,视觉SLAM区别于采用激光和声呐的传统SLAM技术,有着价格低廉、环境适应性强等优点,现已被广泛地运用到各个SLAM技术的涉及领域。然而视觉SLAM依靠图像信息进行增量式地图构建,需要依靠前端收集并处理图像信息,进而得到能够携带完整场景信息的图像,即关键帧。是否能快速准确地选取关键帧将直接影响到视觉SLAM的精度与可靠性。因此本文采用神经网络来构建关键帧自适应选取模型,利用神经网络强大的寻优和数据处理能力,克服传统了SLAM关键帧选取算法速度慢,精度低的缺点,得到了良好的实验效果,有一定的实际意义。本文分别采用传统的BP神经网络和基于鸽群算法改进的BP神经网络来构建关键帧自适应选取模型。首先以ROS机器人为载体,通过大量实验选出能够影响关键帧选取数量的参数,即机器人移动的线速度与角速度,将它们作为BP神经网络模型的输入。选用关键帧筛选步长为网络模型的输出,训练输入输出的非线性关系,得到基于BP神经网络的关键帧自适应选取模型。其次,针对传统BP神经网络收敛速度慢的问题,采用鸽群算法对BP网络的网络参数进行优化,提高了网络的收敛速度。同时,针对鸽群算法易陷入局部极值的问题提出了相关的改进策略,对算法中个体速度更新增加了权重,优化了鸽群算法的寻优能力。显著提升了关键帧自适应选取模型的性能。最后,对三种特征检测与匹配算法进行了对比研究,最终采用了ORB特征检测算法进行图像特征检测与匹配。实验结果表明,采用改进后的关键帧自适应选取算法有效的增强了SLAM的实时性与准确性,具有一定的实用价值。