视觉同步定位与地图构建（SLAM,Simultaneous Localization and Mapping）是智能机器人研究领域中的关键技术。传统视觉SLAM方案大都基于特征点法或直接法,这两种方法有着各自的优势和不足。本文旨在结合特征点法和直接法的优势,提出了一种基于半直接法的单目视觉SLAM方法,其主要的工作内容如下:1)首先,本文在ORB-SLAM框架基础上,结合了特征点法和直接法的优势。本文在前端利用直接法对相机位姿进行快速地追踪,避免了大量的特征提取和匹配。当出现关键帧时,立即提取图像的ORB（Oriented FAST and Rotated BRIEF）特征,利用特征匹配对局部地图的追踪,获得更多的映射关系,再利用最小化重投影误差优化相机运动。关键帧的ORB特征还将用于地图点的创建和优化工作。基于直接法的SLAM方案缺乏闭环检测部分,不利于长期导航,而本文将利用关键帧进行闭环检测,消除累计误差。另外,在重定位时也将提取图像ORB特征,利用特征点法估计相机位姿。实验证明,本文的半直接法方案在保持较高精度的同时,获得了更好的实时性2)其次,传统的SLAM方法大都是面向静态场景的,在动态场景中的适应性较差,本文利用相邻图像间的数据关联,结合一个对光照鲁棒的运动检测模块来提高动态场景下定位和建图的精度。该模块通过像素的时空特性建立像素的前景概率,找出属于运动物体的像素。本文同时利用前景概率限制模型的采样空间。实验结果证明了该方案的有效性。3)在闭环检测部分,本文通过考虑视觉单词间的稳定邻近空间关系,提出视觉词组的概念并根据视觉词组出现的频率构建了视觉词组集。另外,本文还改进了金字塔词频-逆向文件频率（TF-IDF,Term Frequency–inverse Document Frequency）得分匹配方法。最后由视觉单词和视觉词组共同决定图像间的相似性。实验结果表明,本文提出的闭环检测算法有效地降低了感知歧义,提高了闭环检测召回率。