随着科学技术的快速发展,越来越多的移动机器人出现在人们的生产生活之中。SLAM(Simultaneous Localization and Mapping,SLAM)作为移动机器人走向自主导航的关键技术之一,研究者较多。视觉SLAM与传统激光SLAM相比,能更好的获取场景的纹理信息,在地图构建、智能化和成本方面都更有优势。目前的法视觉SLAM算法繁多,其中直接法视觉SLAM存在适应性差,鲁棒性低等不足。为此,本文针对移动机器实际作业场景具有:少特征点、光照变换、场景大等特点,创新性地对Kinect相机进行光度标定,并设计一种融合深度信息的直接法视觉SLAM算法,有效地提高了算法对光照变化的鲁棒性和定位精度,推动了移动机器人自主导航的视觉SLAM技术的发展。首先,对Kinect2.0相机进行内参标定和光度标定。创新性地对Kinect2.0相机进行光度标定,首先对相机的光学原理进行探讨,然后分析了光学渐晕模型。使用多项式模型和渐晕补偿模型分别对相机响应函数和渐晕函数建模,最后两者耦合得出光度标定模型。研究了Kinect2.0相机的成像原理,并对相机模型、坐标系变换、Kinect2.0结构和参数进行详细阐述。应用张正友标定法,对Kinect2.0相机标定,获取其内参。其次,在传统直接法前端基础上融合深度信息求解相机位姿并仿真。对比直接法和特征点法后,针对移动机器应用场景,在传统只应用光度信息的直接法基础上加入深度信息,共同构建误差函数,使用非线性优化模型求解一个最小二乘问题,得出相机位姿。然后,对后端优化算法和地图重建算法仿真。本文对比三种主流视觉SLAM后端优化算法后,针对直接法不提取特征点的特点,采用位姿图优化算法作为后端。针对项目需求,使用点云拼接算法构建稠密点云地图。为了便于存储和导航,将点云地图进行滤波后转化为便于导航和储存的八叉树地图。使用TUM公开数据集验证位姿估计算法、后端优化算法和地图重建算法的效果。最后,针对光度标定和视觉SLAM部分设计实验。在实验室场景下,使用标准灰度板对Kinect2.0进行光度标定,获取其光度标定函数。然后使用SVM(Support Vector Machine,SVM)算法,进行图像识别实验,结果显示光度标定后的图像有更好的识别效果。使用实验室自主研发的球类捡拾机器人平台上验证视觉SLAM算法,在实验室场景下,改变光照条件,进行实验。实验结果表明,本文改进的直接法视觉SLAM算法有更好的鲁棒性同时精度提升0.015m。