随着人工智能领域的快速发展,人们对产品的自动化程度要求也越来越高。移动机器人的发展给人们的工作和生活带来了极大的便利,其中能够完成自主导航和定位是在复杂环境中执行任务的前提,此时同步定位与地图构建（Simultaneous Location And Mapping,SLAM）技术的重要性得以体现,而视觉里程计（Visual Odometry,VO）作为SLAM系统的前端,是移动机器人完成自主导航和定位的基础,因此对其进行研究具有重要的意义。而在机器人实际运行的环境中,往往存在光照过亮或过暗的现象,正是由于环境光照亮度不均匀使得获取的图像细节信息丢失,这些低质量的图像对后续特征点的提取和匹配造成影响,最终可能导致机器人运行轨迹计算不准确。针对该问题本文采用Gamma自适应调节和细节增强算法提升降质图像质量,改善特征点的匹配效果,通过四种不同环境下的数据集进行实验验证本文算法的可行性,并通过搭建机器人平台,在实际环境中验证本文算法的可行性。首先对相机获得的图像进行筛选,通过设定阈值将图像分为过亮、过暗和亮度适宜三类,对过亮和过暗图像采用Gamma校正函数进行调节,但是考虑到不同的图像需要校正的程度会有所不同,因此提出自适应Gamma校正方法,实现自适应调节图像亮度;其次,为进一步提升降质图像的细节信息,针对亮度调节后的图像进行多尺度细节提升处理,增强图像细节信息;最后,通过Pn P法（Perspective-n-Point）获得移动机器人的初始估计位姿,并通过非线性优化获得优化后的估计位姿。实验使用TUM数据集对本文算法进行测试,分别从绝对轨迹误差和相对旋转误差两方面对实验结果进行评价。实验结果显示,经过本文算法处理后,有效改善了图像的ORB特征点提取与匹配效果,减小了绝对轨迹误差、相对平移误差和相对旋转误差,在一定程度上提高了移动机器人的轨迹精度。同时在实际环境中搭建机器人平台,机器人的运行轨迹连贯且较为平滑,验证了本文算法的可行性和有效性。