本文从不确定度的角度评价视觉里程计的性能,以及如何利用不确定度知识提高里程计的精度,都是值得研究的课题。本文立足立体视觉里程计,针对其中的一些核心算法,进行了严密的不确定度分析和论证,并结合不确定度的相关信息,提出对里程计的改进算法,提高里程计的精度。主要内容为：1.本文首先介绍了立体视觉的基本原理和本文要研究的立体视觉里程计算法流程,包括特征点的提取,特征匹配和跟踪,最小二乘运动估计和RANSAC去除误配点等。2.本文研究了图像特征点的不确定度。文章总结了尺度不变的特征提取算法的一般框架,并基于该框架给出了特征点提取的方差传递公式,然后以SIFT为例进行了仿真实验的验证,并和现有方法进行了对比。3.运动估计是视觉里程计的一个关键问题。图像特征点的不确定度首先通过三角化公式传递给三维点,得到三维点定位的不确定度,文章分别用基于导数的线性方差传递方法和无味变换的非线性方法对这个问题进行了求解,推导中运用到了矩阵摄动理论求解特征向量导数的知识。单一的运动参数传递不足以解决里程计不确定度的问题,因此文章接下去又考虑了关于一类RANSAC算法估计参数的不确定度。本文基于Bayesian理论提出一种新的算法用来估计这类数据量庞大的不可微系统的不确定度传递,在实验验证中取得了良好效果。再根据逐步运动的累积,推导出了里程计定位的不确定度公式,并在实际实验中证明了算法的有效性。4.结合特征点不确定度的研究,文章提出了一种结合图像特征点不确定度的最大似然估计法对单步运动估计进行优化；并提出一种局部双目光束法平差对视觉里程计的结果进行进一步优化。在多组不同环境下进行了大量实验,包括室内仿月球表面环境、草地、大范围校园环境等,并以高精度的全站仪采集的真实数据检验视觉里程计的结果。