同时定位与建图(Simultaneous Localization and Mapping,SLAM)是智能移动机器人领域研究的热点问题。近些年随着计算机视觉技术的发展,基于视觉的SLAM方法成为了研究的热点。基于视觉的SLAM方法主要有两种:特征点法和直接法。其中,特征点法通过提取环境中的特征点并建立匹配进行求解,在环境纹理丰富且匹配正确时特征点法具有较高的鲁棒性和精度,是视觉SLAM的主流方法,所涉及的图像匹配和帧间位姿估计比较成熟。但这类方法也要求图像的纹理特征明显,在弱纹理或图像模糊时效果不佳甚至可能会失效。除了对图像特征要求比较高以外,特征的提取和描述子的计算比较耗时。直接法基于图像灰度一致性假设,利用图像的光度信息直接建模求解,由于省去了特征提取和描述子计算的时间,因此计算效率高。但直接法对光照的变化敏感,在光照条件不佳时可能会跟踪失败。为了结合两类方法的优点,本文在双目相机平台下,提出一种以直接法作为主体以特征点法作为辅助优化的融合SLAM方法。主要研究成果如下:(1)提出一种特征点优化的半直接双目视觉SLAM方法。首先以由粗到精的策略进行帧间图像对齐,在优化失败时以光度误差和重投影误差联合优化,估计得到初始位姿,然后利用高斯牛顿法优化重投影误差,用外点剔除机制增加动态和遮挡情况下的鲁棒性,得到可靠的前端跟踪结果。后端采用基于关键帧的非线性优化,得到了更为准确的位姿计算结果。(2)对基于DBo W3的闭环检测进行研究,并将其引入所设计的融合SLAM方法中,以提高SLAM建图的一致性。首先利用ORB特征建立基于DBo W3视觉词袋库,实现了闭环检测。在此基础上,利用ceres进行全局优化,从而减小累积误差。(3)为了验证本文方法的精度与实时性,在EUROC数据集、KITTI数据集、Urban complex等数据集下对论文的方法进行了实验验证。与相关方法进行了定位精度的对比,并对实时性进行了验证。实验表明本文方法具有良好的鲁棒性,能够适应多种环境,且满足实时性要求。图46幅,表13个,参考文献59篇。