同时定位与地图构建SLAM(Simultaneous Localization and Mapping)技术是解决移动机器人自主运动的重要技术,当机器人处于未知的室内环境中,无法再通过外部获得自身位置信息,对于这个问题,用RGB-D深度相机作为视觉传感器是一种很好的解决方案。本文以经典SLAM框架为基础展开研究,详细分析Kinect1深度相机的组成,相机成像模型,深度测量工作原理,并完成对相机的标定。分别用SIFT、SURF、改进的ORB特征提取法对图像进行特征提取,比对三者提取速度,改进的ORB特征提取法提取速度优于前两者,使用改进的ORB特征提取法,搭配FLANN优化匹配方法,实现对图像特征快速提取与准确匹配。根据匹配的特征点估计相机的位姿,当匹配点的3D位置已知时,可以用多点透视PnP的方法求解出相机位姿。多点透视PnP求解位姿的方法有线性和非线性的方法,本文先用线性P3P方法求解出相机位姿矩阵,同时用非线性Bundle Adjustment的方法求解出相机位姿矩阵,得出结论,两种方法在两幅图像估计位姿问题中,求解出来的位姿矩阵差异不大,最终都能实现对相机的初步定位功能,但是P3P的方法由于只用到三对匹配点,在大规模求解位姿问题中误差会比较大,所以在系统的SLAM过程中用非线性Bundle Adjustment方法求解位姿更好。分析后端优化的方法,以位姿图优化求解的地图效果比未经优化处理的好。以词袋模型进行回环检测与相似度计算,解决在SLAM过程中移动机器人是否通过同一个地方的判定问题。最后解决SLAM过程中地图构建问题,以估计的相机位置点的集合作为稀疏点地图,在得到一个稀疏的地图点的基础上,通过计算关键帧点云并进行点云地图拼接,构建一个三维的稠密地图,实现移动机器人在室内稀疏点地图构建和稠密地图构建功能。最后搭建软硬件平台,对Turtlebot2移动小车进行简单的三维建模,并对一些部件进行介绍,建立小车的运动方程。在Turtlebot2移动小车上对算法进行测试,最终达到对移动机器人定位和构建稠密三维地图的目的。