同步定位与地图构建(SLAM)是移动机器人实现自主导航与避障的基础。基于SLAM技术,机器人能够在未知环境中,利用自身传感器感知周围环境信息,实时地确定自己在环境中的位置,并构建地图对环境进行描述。使用相机作为自身传感器的SLAM方法被称为视觉SLAM。与激光雷达传感器相比,相机具有成本低、采集图像信息丰富等优点。因此,视觉SLAM近年来成为机器人和计算机视觉领域的研究热点。此外,相比于单目、双目相机,RGB-D相机不仅能够采集图像信息,还能采集环境深度信息,近年来得到了人们的广泛关注。自然环境中存在丰富的点特征,在视觉SLAM领域中,点特征的研究和应用已经比较成熟。但传统的基于点特征的视觉SLAM算法,只考虑环境中的点特征,在低纹理环境下效果不够理想。在人造的结构化环境,如室内办公室、走廊等环境中,存在大量的线特征,能够作为点特征的补充。本文重点关注在室内结构化环境下的视觉SLAM问题,为了提高机器人的定位精度和鲁棒性而引入线特征,基于RGB-D相机构建一个点线特征结合的视觉SLAM系统,主要研究内容如下:首先,简要介绍了 RGB-D相机的工作原理、成像模型以及标定方法。根据针孔成像模型和张正友标定法,对RGB-D相机进行标定,得到彩色摄像头和红外摄像头的内参数、畸变系数以及相对位姿。经过标定校准后的RGB-D相机,彩色图像像素点与深度图像像素点的匹配度得到明显提高。然后,研究了结合点特征和线特征的RGB-D视觉里程计。通过改进现有的ORB点特征提取算法和引入LSD线特征提取算法,提高帧间匹配的准确率。对图像中的点特征和线特征,分别进行特征提取与匹配,然后构建点线特征误差模型进行统一的运动估计。最后,研究了结合点特征和线特征的RGB-D SLAM系统。提出一种关键帧选取和剔除方法,以维护关键帧的规模。构建结合点线特征的图优化模型进行后端优化,构建结合点线特征的视觉词袋模型进行回环检测。在前端视觉里程计的基础上,加入结合点线特征的后端优化环节,从而搭建出完整的视觉SLAM系统。本文在基准数据集上进行实验测试,验证了本文所提出的结合点线特征的RGB-D SLAM方法,相比于基于点特征或基于线特征的方法,具有更高的系统精度和鲁棒性。在室内现场环境下的实验结果表明,本文方法在实际运行中能够实现良好的定位和建图效果。