未知环境下移动机器人的同步定位与地图创建(Simultaneous Localization and Mapping,SLAM)是当前机器人定位与导航研究领域中最富挑战性的问题之一。SLAM问题的相关研究对实现机器人的高度自主化和智能化具有重大理论意义和实用价值。近年来,伴随计算机视觉技术的发展和视觉传感器的广泛应用,单目SLAM技术的研究已逐渐成为SLAM研究领域中的重要研究方向。依据单目视觉信息进行SLAM研究的难点主要有:(1)如何提取数目有限、分布均匀的稳定特征点;(2)如何获取特征点的深度信息并完成初始化;(3)如何建立高准确度的单目摄像机运动模型和观测模型;(4)如何实现地图特征的动态管理等。针对问题(1),开展了基于SIFT算法的场景特征提取与匹配研究。在对SIFT特征点的特性进行探究并对不同帧间的匹配情况进行分析后知,SIFT算法能从场景图像中提取出大量稳定的特征点;为使地图特征点数目有限、分布均匀,提出了一种基于局部区域显著参数指标的SIFT地图特征提取方法。针对问题(2),本文结合反向深度估计法提出一种逆深度参数化的非延迟初始化方法,将初始化后的特征点信息加入全状态向量中直接参入EKF的估计与更新。对于问题(3)和(4),在建立全状态模型和逆深度观测模型后,结合扩展卡尔曼滤波框架提出了一种基于SIFT特征的单目EKF-SLAM算法。该算法对系统的初始化、EKF状态估计与更新、特征地图的创建与动态管理等都给出了相应的操作流程或处理方式。此外,还设计了单目EKF-SLAM仿真实验流程,并在MATLAB中验证了所提出算法的可行性。最终结果显示:采用改进的SIFT特征提取方法后,特征点的数量适中,空间分散性较好;用于SLAM算法中时,特征点的收敛速度更快,最终的估计误差更小。说明本文所提出的方法能够在仅有单个摄像头的情况下很好地完成室内未知静态场景的地图创建任务,不仅节约了成本,而且获得了较满意的精度。