即时定位与地图构建（Simultaneous localization and mapping,SLAM）指运动物体根据环境特征来定位自身位姿并进行增量式构建地图,该技术在没有临时定位基础设施的条件下,可实现机器人的轨迹跟踪。基于相机传感器的视觉里程计在近年来有较快发展,其作为视觉SLAM前端,可代替激光雷达计算里程,从而降低系统成本并丰富地图信息。然而,图片处理相对耗时,使得机器人定位实时性降低,且相机在低纹理环境中信息缺失,存在轨迹丢失的风险,严重影响SLAM系统的实时性与鲁棒性。本文致力于视觉里程计的研究,从特征信息匹配和低纹理环境感知等方面,探究里程计实时运动估计的性能瓶颈,并提升系统在图片低纹理下的环境适应力。针对视觉里程计中图像特征信息处理高耗时而导致实时性降低的问题,本文设计了结合重要性排序的特征匹配方法。该方法基于Page Rank网页排序思想,对可预测场景下的特征点信息建立内在关联,优先匹配重要特征路标,以提升信息获取效率。实验结果表明,与传统ORB特征点匹配方法相比,本方案的匹配效率平均提升27.6%,在保证匹配精准度的前提下,满足可预测场景的轨迹跟踪需求,减少特征点匹配的时间开销,进而增强里程计算实时性。针对视觉里程计在低纹理场景下特征信息缺失而导致的定位中断问题,本文设计了结合点线协同约束的特征匹配方法。该方法在传统ORB特征点匹配的基础之上,通过增强敏感度来提升特征点提取数量,并参考LSD特征线段的空间位置稳定性,对特征点进行双维度的约束与筛选。实验结果表明,相比于传统特征点提取方法,本方案在设备计算开销可容忍范围内丰富了低纹理环境下的特征信息,提供更充足、更可靠的数据,以防止运动估计的轨迹中断或重定位。对比现有点线融合方法,本方案提升了特征点匹配精准度,减少13.5%的运动估计误差,从而进一步提升系统定位与建图的鲁棒性。根据上述研究技术与方案,本文设计并实现了基于特征点法的视觉SLAM系统。该系统在可预测场景下拥有高效且精准的特征点匹配表现,并能在低纹理场景下保证运动估计持续进行,防止轨迹丢失或系统重定位。该技术已应用于楼宇安防、智慧医院等系统,具有一定商业价值,为复杂场景下的同步定位技术提供更高效、更可靠的解决方案。