随着计算机硬件能力的提升和计算机视觉理论体系的不断完善,SLAM技术得以快速发展。目前视觉SLAM系统中以基于特征点法的前端作为主流,特征点法鲁棒性好,对环境、光照、动态物体不敏感,是现在比较完善的前端方案。但是当图像中提取不到足够的特征信息或者特征匹配效果较差时,系统后续的位姿估计准确度会受到很大的影响,甚至出现跟踪丢失的现象。针对特征点法存在的问题,本文对其做出改进,并提出针对多特征场景的视觉SLAM算法,具体研究内容如下:针对传统ORB特征提取算法提取到的特征点在图像中纹理强的区域过于密集、在纹理弱的区域稀疏的情况,本文对算法进行改进。首先构建图像金字塔,按照图像面积分配不同尺度图像中提取的特征点数量,使用阈值调整策略增加算法在不同区域提取特征点的适应性。其次通过四叉树算法对图像区域不断进行划分,用非极大值抑制的方法保留区域中响应高的特征点,避免了特征信息集中而造成冗余现象,保证了图像的各个区域提取到的特征点的质量。提取到特征点后使用渐进一致采样算法根据特征点对的质量进行排序,迭代计算最优的单应矩阵。通过单应矩阵去除掉匹配误差较差的特征点对,保证特征点匹配对的准确性。在特征点提取和匹配实验部分,从多个数据集中选取部分图像对算法进行验证,并与传统的特征提取算法进行对比,实验结果表明本文提出的方法具有更好的效果。针对一些场景中出现的特征点提取困难和缺失问题,本文提出了基于平面标记码和特征点的视觉SLAM前端方案。该部分先介绍了平面标记码的组成及识别原理,解释了单目相机初始化位姿的过程。然后分析了基于标记码的相机位姿估计方法、前端图像关键帧筛选和特征匹配策略,并详细介绍了算法的框架中各部分的功能:算法前端构建图像金字塔,根据图像面积将特征点分配到各层图像上,用四叉树提取均匀的特征后估计相机的位姿变换,并插入关键帧;后端根据关键帧中地图点生成局部地图并删除质量较差的地图点,对前端估计的位姿进行优化并剔除冗余的关键帧;回环检测部分通过词袋模型寻找相似帧判断是否出现回环,并进行全局优化和地图更新,得到更加准确的机器运动路径和周围环境地图。在实验部分,通过多个数据集对该算法进行测试,验证了该算法的性能。最后利用自制数据对该方法进行测试,结果表明在多特征场景下该算法也能够获得较好的精度和效果。