同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是指搭载传感器的移动机器人,在无环境先验信息的情况下,在运动过程中建立环境模型,并估计自身的运动。该项技术是智能移动机器人实现自主移动的关键。研究基于视觉的SLAM技术,对于提升智能移动机器人自主研发能力具有促进作用。双目相机依据视差原理测量深度,但受到自身结构参数的影响,测量得到的深度值存在一定误差,并且测量误差会随着估计的深度值增大。为了削弱深度误差对位姿估计精度的影响,提出了一种改进的位姿估计方法,根据测得的特征点的深度值,调整位姿优化的目标函数。然后引入高斯分布的深度滤波器,以削弱深度误差对地图点精度的影响,最后通过跟踪局部地图进行较大规模的优化求解,完成前端视觉里程计的位姿估计。在相机运动过程中,SLAM系统会增量式的构建局部地图,而关键帧则是构成地图的骨架。为了适应不确定的场景变换,相机在进行大视角转动时,容易出现跟踪丢失的情况,为此提出了一种基于运动模型的关键帧提取策略,通过对质量较好的特征点的偏移方向进行预估计,当可能有大量点会跟踪丢失时,将当前帧确立为关键帧。在后端的回环检测中,利用视觉词袋对运动回环进行检测。当判断出现运动回环时,利用图模型构建回环优化框架,以图像帧上特征点的深度标准差为依据,改进位姿图优化方法,调整置信度较高的约束边。对全局地图点和关键帧进行一次优化,以构建全局一致的地图。最后,利用小觅双目相机搭建了VSLAM实验平台,对相机进行了标定及校正,通过公开的Euroc数据集和真实场景数据集对改进的算法进行了评估。测试结果表明,改进算法在特征点深度发散场景下,相对原ORB-SLAM2算法具有明显的精度提升;在真实环境下,本文系统也能保持良好的定位精度和鲁棒性。