未知非结构化环境下移动机器人自主导航与定位研究的一个重要问题是同时定位与地图创建（SLAM）。SLAM问题经过几十年的发展取得了长足的进步。近些年来,随着计算机视觉研究的发展,基于单目摄像机的单目视觉SLAM逐渐成为移动机器人SLAM研究领域新的热点与难点。图像特征的检测是单目视觉SLAM系统的重要组成部分,目前出现的检测方法并不能很好地兼顾快速性和稳定性这两方面的要求。针对这一问题,本文采用了SURF（快速鲁棒特征）检测算子提取图像特征,不仅可以获得较快的特征检测速度,而且对光学、几何畸变以及噪声更具鲁棒性。为进一步增强所选取地图特征的鲁棒性,提高定位精度,本文提出了一种基于子区域特征重要性指标的随机特征提取方法,使得提取的图像特征更加均匀、平坦地分布在图像中。针对目前地图特征匹配速度较慢的问题,本文结合SURF最近邻匹配方法,采用了基于主动视觉椭圆搜索域的方法进行地图特征的匹配,很大程度上减小了特征的搜索区域,加快了匹配速度。此外,本文进一步分析了基于扩展卡尔曼滤波的单目视觉SLAM系统结构,综合上述方法和地图特征的逆深度参数化以及1点随机抽样一致性（1pRANSAC）,设计了EKF-SURF-1pRANSAC单目视觉SLAM算法,最后利用该算法在实验室未知非结构化场景下进行了单目视觉SLAM系统的仿真实验。实验表明,相比采用快速“角点”的EKF_monoSLAM₁pRANSAC单目视觉SLAM算法,基于SURF特征的EKF-SURF-1pRANSAC算法具有更强的鲁棒性,利用较少的地图特征就能实现摄像机的精确定位,并且在地图管理、地图特征匹配模块上具有更快的处理性能,同样能够构建实时的单目视觉SLAM系统。