近年来,随着计算机视觉的快速发展,移动机器人的应用场景也越来越广泛,同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是实现智能机器人自主导航的核心技术。考虑到人们大多数的活动都处于室内,传统的基于GPS与惯导的定位技术在室内场景存在信号容易丢失等弊端,因此本文主要研究基于RGB-D相机的室内定位算法。本文主要的研究工作有:（1）本文提出了一种基于RGB-D相机在人造环境中做平面运动的相机位姿估计算法。该算法引入曼哈顿世界假设模型,将6自由度的位姿计算转换成3自由度的位姿估计问题。算法主要适用于走廊等结构化场景,并且基于三维环境的先验知识采取不同的策略。当使用深度图像检测出至少一个垂直平面时,本文基于垂直平面的法线和一对关联特征点计算相机的位姿。当获取不到任何平面信息时,仅利用空间中的两组关联特征点提出了一种基于单应性矩阵的两点法位姿估计算法。将本文所提出的位姿估计方法应用于帧到帧的视觉里程计框架中,并在仿真数据与真实场景中分别进行算法性能的评估。实验表明,本文提出的方法对于曼哈顿结构环境中的运行效率和鲁棒性优于当前的一些先进算法。（2）为了减少相机在长时间运行过程中产生的位姿估计累计误差,并针对现有的闭环检测算法在观测路径不一致或者大视角变化的场景中视角受限等问题,本文提出了一种改进的闭环检测算法。本文使用特征点法提取图像关键点,用光流法实现特征跟踪,其与传统特征匹配算法相比可以有效的提高运行效率。基于频域特性的显著区域提取方法获取关键帧图像的视觉注意图,通过显著性区域引导图像特征点的选取,根据场景显著区域的几何匹配概率检测闭环,提升算法对歧义场景的区分能力。实验结果表明,本文提出的闭环检测算法具有较好的准确性和实时性。