作为无人仓储管理系统中基本组成部分,移动机器人的自主定位能力是不可或缺的。视觉SLAM（Visual Simultaneous Localization and Mapping,VSLAM）为实现自主定位能力提供强有力的理论和技术支撑,但无人仓储实际场景给VSLAM系统稳定运行带来了约束和挑战,无人仓储环境中低纹理、重复纹理以及场景变化等因素都会使得VSLAM系统定位精度下降。特征跟踪精度和回环检测准确率是影响VSLAM系统整体定位精度的关键因素。本文以提升无人仓储环境中移动机器人自主定位精度为目标,以VSLAM技术框架为基础,以无人仓储环境特点为约束,主要从VSLAM系统中影响定位精度的两个关键部分展开研究:一、针对低纹理或重复纹理场景导致VSLAM系统特征跟踪精度下降的问题,提出了一种点线特征融合的双目优化改进方法。从线特征数据关联准确度和点线特征融合策略两方面进行改进。在线特征提取中通过长度阈值筛选机制改进LSD（Line Segment Detector）检测器,优化线特征质量。在线特征描述与匹配中,引入点线不变量并基于几何约束提升线特征在光度变化较大场景下的描述稳定性,将线特征匹配问题转化为稀疏最小化问题进行求解提高匹配准确度。在构建点线误差联合优化模型时采用自适应融合策略,基于图像纹理评分和特征匹配情况动态地为点线误差项分配权重,后端优化后获得精度更高的相机位姿和特征地图。实验结果表明,点线融合SLAM改进方法中线特征数据关联准确度相较于传统LSD和LBD（Line Band Discriptor）平均提升了约26%,在相关数据集和实际场景下改进后方法定位误差相较于同类型基准方法PL-SLAM平均下降了约30%。点线融合SLAM改进方法有效提升VSLAM系统在低纹理场景下的特征跟踪精度,从而降低VSLAM系统整体定位误差。二、无人仓储环境中由于光度差异、遮挡等因素造成场景外观发生变化,移动机器人运动路线不固定造成感知同一场景时有侧向视点差异,上述场景变化造成VSLAM回环检测识别准确率下降,从而导致VSLAM系统位姿和地图收敛错误。针对上述问题,本文从两方面对无人仓储环境约束下回环检测方法展开研究,分别构建强健的多模态场景表示和分层多级融合结构,提升回环检测方法在场景变化条件下的性能。构建全局表示时在编码器部分加入Inception模块提升网络多尺度感知能力,生成对场景变化更加鲁棒的全局场景表示,进一步将全局表示和SURF局部特征融合形成多模态特征MultiModality增强回环检测对于视点变化的稳定性。设计分层结构和多级融合策略融合互补的回环识别方法优化回环检测识别准确率。实验结果表明,在基准数据集和模拟数据集中多模态特征Multi-Modality识别性能优于同类型方法CALC,AUC-PR平均提升了约37%,计算速度达到7.4fps,满足实际运行需求。分层融合结构AUC-PR相比于简单并行结构平均提高约36%,能更加稳定地提升识别性能。基于分层融合结构和多模态特征的视觉SLAM回环检测方法能够提升VSLAM系统在面对无人仓储场景变化时的回环检测准确率,从而提升VSLAM系统长期定位精度。