视觉同时定位与地图构建（Visual Simultaneous Localization and Mapping,VSLAM）利用相机在无先验信息的环境中同时定位机器人和构建环境地图,以保障移动机器人能够实现完全自主运动。大多数视觉SLAM系统仅使用点特征来获取视觉信息,但前提是必须有理想的光照和纹理条件,这样才能获取足够的环境信息。所以,光照变化明显和弱纹理等复杂环境下的基于特征点法的视觉SLAM依旧存在不足之处。本文主要对主流的视觉SLAM系统进行了改进,旨在提高视觉SLAM系统在复杂环境下的定位精度和稳定性,主要内容如下:为了进行更有效的视觉跟踪,本文首先设计了能够自动计算角点提取阈值的ORB（Oriented FAST and Rotated BRIEF）算法,以增强ORB算法对光照变换明显环境的适应性。接着在原有框架上引入了LSD（Line Segment Detector）线特征,结合线特征的优势增强系统在弱纹理环境下的鲁棒性,并对其进行了断线合并和短线剔除的操作。还利用已有的点特征匹配结果辅助线特征进行匹配,缩短了线特征的匹配时间并提高匹配成功率。最后使用特征的丰富程度和离散程度两种度量方式对点线特征的重投影误差进行加权,从而进行统一的运动估计。在KITTI等多个主流的数据集上的实验表明,自适应ORB算法能够在光照变化明显环境下保持着稳定的提取;改进的线特征算法使得线特征在系统中发挥了积极作用;本文系统定位精度相较于主流的视觉SLAM系统有所提高。SLAM系统难免会出现跟踪失败的情况,所以,重定位模块对于系统在跟踪失败时恢复自身的位姿至关重要。为了提高重定位的成功率,本文在离线阶段构造了点线特征综合的视觉词典,结合点线特征的优势来进行重定位。在在线定位阶段,使用了关键帧的共可见性信息和相对相似度阈值筛选得到更为可靠的候选关键帧,最后使用姿态验证来确保重定位的成功,尽量减少重定位的误差。实验证实了本文所构建的点线综合的词典在检索能力上的提高,并在TUM数据集上实现了更精准的定位精度。