SLAM技术在移动机器人的定位与导航中起到关键性的作用。而视觉SLAM则是指移动机器人以相机作为主要传感器，获取周围环境的图像信息，从而进行环境的地图构建和实时定位。随着SLAM技术的迅速发展，它在增强现实，无人驾驶等领域中广泛被应用。视觉SLAM算法对于移动机器人而言，最重要的功能是定位和建图。其中，定位主要和视觉里程计、后端优化和回环检测三个模块相关，建图是指地图构建模块。本文的具体研究内容如下：
　　第一、针对视觉SLAM在国内外研究现状、未来趋势以及相关技术进行分析。然后介绍本文使用的RGBD相机——Kinect2.0。研究了张正友相机标定原理，并在ROS平台下对相机进行了标定，完成彩色图像和深度图像的获取及配准，并对标定结果进行了误差分析。
　　第二、先对视觉里程计进行了重点的分析和研究。视觉SLAM的视觉里程计根据是否对图像进行特征提取分为特征法和直接法。本文详细地讨论了基于特征法的视觉里程计。其主要包括特征提取、特征匹配和运动估计等步骤。深入分析了三种图像特征的原理，并对不同特征使用不同的特征匹配方式进行全面分析与对比，选出兼顾效率和鲁棒性的特征及匹配方式；接着研究了位姿求解算法PnP和ICP的原理。针对相邻图像匹配特征的分布特点，提高正确匹配对的比例，能够提高运动估计的结果精度。通过在TUM数据集上验证该算法的有效性，并对改进前后的实验结果进行了误差分析。
　　第三、研究分析了后端优化理论以及视觉SLAM中的回环检测，并简要地介绍了SLAM中不同地图类型及功能。重点研究了卷积神经网络在回环检测中的有效性。实验部分在TUM数据集上，验证了后端优化和基于词袋模型的回环检测在SLAM中的作用。根据求解的相机位姿进行了点云的拼接，并对实验结果进行了分析。
　　第四、详细介绍了移动机器人的系统平台及算法流程。首先在数据集上进行了完整的算法验证，然后用搭载笔记本和Kinect2.0相机的四轮全向CMA20移动机器人完成室内场景的点云拼接和轨迹的绘制，完成移动机器人在室内的建图与定位，并对产生的实验误差结果进行分析。
　　最后，本文给出了所做研究工作的总结与分析。与此同时，提出后续所需要的研究方向和待解决的问题。