近年来,伴随着服务机器人、仓储机器人、无人机、无人驾驶、AR以及增强现实的兴起,SLAM(同时定位与建图)作为其中的核心技术的一种,正变得越来越重要。基于激光和GPS的传感器由于昂贵或者由其局限性而难以广泛应用,基于视觉传感器进行同时定位与稠密建图已经成为主流的方向。借助双目相机进行稠密的深度恢复,需要计算整张图片的视差,计算量非常之大,因此无法进行实时稠密建图,同时特征点法由于匹配误差而导致估计的位姿误差较大。本文包括恢复图像深度和求解运动轨迹。在深度恢复部分,采用GPU来加速视差算法来获得深度信息;轨迹与定位部分,经过对光流法和特征点法进行分析对比,针对光流法无法用于室外的缺点,本文采用基于ORB特征的特征点法,并采用PnPRANSAC方法来得到运动轨迹。为了能提高系统的稳定性,本文设计了局部特征地图来实现特征点的特征匹配。接着采用基于最小二乘法的图优化框架进行整体优化。最后通过GPU加速得到的深度信息以及跟踪模块得到的位姿信息,借助PCL点云库,来实现稠密的空间建图。经实验可知,GPU加速的双目视差算法可以实时的处理图片得到视差图,改进的特征点法匹配精度得到了很大的提高。采用双目数据集作为真实数据来对该算法进行仿真测试,该算法实现了同时建图与定位的功能,得到三维地图与相机的轨迹。经过真实轨迹与本文估计的轨迹进行对比可知,相机轨迹运算正确,误差稳定在极小的范围内。经过对深度恢复模块的加速,基于异构平台的算法速度得到了很大提高。