近年来,随着视觉系统的不断发展,基于视觉的感知目标定位系统逐渐应用于实际工程与学术研究的大量的领域中。在众多定位方法中,视觉里程计依赖相机作为感知环境的唯一渠道,通过对在机器人运动过程中相机采集到的图像进行处理及相关模型的参数求解,以实现从图像中还原相机在当前环境下的运动姿态及跟踪移动机器人的运动轨迹以及构建环境地图的目的。半直接法单目视觉里程计(SVO)算法作为一种单目视觉里程计的方法,采用单个摄像头作为数据输入来源,硬件要求低、计算量小、运算速度极快,在很多低端计算平台也能满足实时性要求,但SVO算法所提取的特征点精度不高,并且提取到运动目标上的特征点会降低位姿估计的运算精度,导致鲁棒性及抗干扰能力下降。本文分别针对以上问题对SVO算法进行改进,具体研究内容如下:针对SVO算法中FAST特征点提取方法精度较低这一问题,采用一种基于Edgelet检测与FAST方法结合的方法,在提取点特征的基础上提取图像中的线特征,更加充分的利用图像信息,以保证得到更多高质量的特征点。针对SVO算法所提取的特征点位置相对集中,从而导致特征点之间的误匹配这一问题,采用Maxgrad检测与其结合的方法,对每个cell中只提取一个梯度值最大的特征点,从而避免了特征点之间距离过近从而导致的误匹配给算法带来误差。针对场景中运动目标特征点对算法的干扰问题,本文分别从SVO提取特征点的速度方向以及特征点的速度大小两方面进行研究。分别通过保留多数相同运动方向的特征点,去除其它运动方向的特征点。以及通过Ransac引导光流的方法,在选定阈值内保留多数运动相对速度一致的特征点,去除运动速度差别过大的特征点,进而达到去除动态特征点的目的。在上述研究的基础上,分别基于EuRoC MAV数据集对SVO特征点的精度改进算法进行评估,并基于TUM数据集对去除运动目标特征点的SVO算法以及整体视觉里程计改进算法性能进行评估,结合实验结果证明算法的可行性与准确性。