同时定位与地图构建即SLAM(Simultaneously Localization and Mapping)是移动机器人完成环境感知和自主导航等工作的重要理论基础。近年来,随着计算机视觉的进步和传感器技术的发展,SLAM理论得以深入研究并取得了丰富成果,其中以视觉传感器为中心的视觉SLAM逐步成为当前移动机器人领域的研究热点。微软公司于2010年推出的Kinect传感器由于具备同时采集颜色信息和深度信息的优点,在机器人视觉与控制、体感操作等领域受到了高度关注。特别是对室内环境下的三维地图构建和定位工作,Kinect具有重要的研究价值和广泛的应用前景。三维重建、闭环检测和定位是视觉SLAM研究的基础问题,也是影响SLAM系统整体性能的关键技术,本文主要以这三项技术为出发点,针对基于Kinect的室内地图构建与定位展开研究,其研究工作主要有如下几方面:(1)首先针对图像SURF(Speeded-Up Robust Features)和ORB(oriented FAST and rotated BRIEF)局部特征在特征点定位时计算速度慢的问题,研究了一种基于SURF和ORB可快速表征图像的全局特征,即将归一化的图像中心直接作为SURF和ORB的特征点位置,从而避免了繁琐的特征点定位过程,并且将图像直接作为特征点的邻域区域,把计算的局部特征描述符作为图像的全局特征,为SLAM研究的闭环检测工作打下良好的基础。其次,为了减少机器人运动累积误差,根据目前车载相机或移动机器人渐进式采集数据的特点,构建了一种基于图优化的Twisted Graph模型,即对相隔一个位姿的前后两位姿(Twisted Poses)建立约束关系形成局部小回环。实验结果表明,通过引入Twisted约束能够修正传感器的移动轨迹,并使视觉地图构建的精度和质量得以改善。在此基础上,利用关键帧(Keyframes)对实验室和楼道场景进行点云拼接,最后以基于八叉树的OctoMap的形式展现地图。(2)针对目前主流的基于BOW(词袋)的闭环检测算法正确率低且实时性差的问题,实现了一种新型的准确且快速的闭环检测算法。首先提取查询图像的SURF与ORB全局特征。然后依据跟踪模型计算查询图像在地图图像中的位置范围,并采用H-KNN(混合K最近邻)的改进算法WH-KNN(混合加权K最近邻)进行图像特征匹配,从而完成闭环检测。实验结果表明,该算法在特征提取时间和正确率上都超过了传统的基于BOW的闭环检测算法,可以准确快速地实现实时闭环检测。(3)利用Kinect传感器可同时采集彩色数据和深度数据这一优点,研究了一种基于多尺度的室内定位方法。多尺度定位包括基于图像尺度的粗定位和基于度量尺度的细定位。首先对待定位图像和地图图像进行匹配,确定当前位姿与地图中最近位姿的相对位置。其次通过相对运动估计方法计算出当前位姿与地图最近位姿的欧式距离。实验结果表明,该方法实用、实时性强并且具有较高的正确率。