随着计算机视觉的快速发展,许多相关技术被应用到机器人领域。SLAM被认为是实现移动机器人全自主化的基础,已经越来越受到人们的关注。基于图优化的视觉SLAM主要分为前端和后端,前端主要是根据传感器测量获得机器人初始位姿与空间路标点坐标。后端则主要是对前端采集到的含有测量噪声的位姿与路标点坐标进行优化。SLAM后端优化方法一般分为两大类,分别是基于滤波的优化方法和基于图的优化方法,其中基于图的优化方法是目前研究的热点。基于滤波的优化方法由于仅对当前时刻状态进行估计,必然会产生累积误差,不仅不能保证优化后结果的一致性与精度,而且不适用于大规模环境。而基于图的优化方法则是对移动机器人所有时刻的信息进行一次性处理,因此得到的优化结果的一致性与精度要好于滤波的方法。本文先是对基于BA和基于posegraph两种不同的图优化方法进行了分析,然后利用g2o框架对两种不同的图优化方法进行实验设计。针对优化过程中所使用到的LM算法的不足,提出了一种变信赖区域的LM算法。该算法主要是对非负参数α进行了新的定义,通过在迭代过程中改变信赖区域的区间大小来控制迭代的步长,同时还能保证算法的平方收敛性。最后,利用数据集分别对基于BA和基于posegraph的SLAM后端优化方法进行验证与分析,将改进后的LM算法实验结果与改进前进行对比分析。根据机器人绝对轨迹误差ATE和相对位姿误差RPE的数值变化,以及迭代前后目标函数总误差与迭代次数的关系变化图,得出改进后的LM算法不仅对机器人运动轨迹精度有一定的提高,同时还提高了优化过程中的迭代效率。