随着智能机器人在日常生活中的普及和自动驾驶技术的发展，同时定位与建图(Simultaneous Localization and Mapping , SLAM)受到广泛的关注。机器人在未知环境下如何进行自主定位与地图构建，是SLAM需要解决的问题。目前，SLAM是室内移动机器人以及室外无人驾驶汽车研究的重要课题之一。
　　SLAM根据传感器的类型分为激光雷达SLAM和视觉SLAM，激光雷达价格昂贵，不适合在日常生活中普及。相机成本低，具有很高的场景识别能力，可以在环境中获得比激光雷达更多的纹理信息，广泛应用到室内定位的机器人中。
　　本文对视觉SLAM进行研究，介绍了SLAM系统框架以及每个部分的实现原理，讨论并分析了滤波优化和非线性优化的特点，设计了一种基于ORB特征非线性优化的视觉SLAM系统，本文的主要内容如下：
　　第一，针对传统随机抽样一致(Random Sample Consensus, RANSAC)算法易受噪声影响，删除误匹配的准确率不够高的问题，提出了一种改进的RANSAC算法—LO*-RANSAC(简称LO*)。首先，迭代地筛选由传统RANSAC产生的内点，以进一步缩小内点的选择范围。然后，对估计的模型进行捆集调整(Bundle Adjustment, BA)，通过最小化匹配误差优化模型。实验中使用公开的数据集，并和流行的SLAM系统对比，实验结果表明，LO*-RANSA算法可以提高SLAM的定位精度，优于目前流行的SLAM系统。
　　第二，深度相机可以获取图像的深度，直接获取的深度具有噪声，针对深度噪声对SLAM定位精度的影响，提出了一种自适应的图优化法。即针对不同情况，选择性采取不同的优化方式。对于估计帧间相机运动的优化，选择只优化位姿的方式；对于局部地图优化和全局地图优化，选择同时优化位姿和观测点的优化方式。建立3D-2D重投影误差模型，通过最小化重投影误差，选择性优化位姿和观测点。实验结果证明，该方法比传统优化位姿的方法提高了定位精度。
　　第三，传统闭环检测使用二进制字典表示单词的权重，根据图像的相似程度判断闭环，存在闭环检测准确率不高、SLAM定位精度低的问题。对此，本文提出了一种改进的闭环检测算法。使用频率-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF)计算单词的权重，并使用Kullback-Leibler(KL)散度计算图像的相似度。此外，针对绝对相似度机制在相似场景下发生误检的问题，本文使用相对相似度机制，即利用图像之间的相对相似度，判断闭环。实验结果表明，改进的闭环检测算法提高了定位精度。