近年来,随着计算机视觉理论地不断完善和人工智能技术地日益成熟,移动机器人的即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)算法受到了学者们的普遍关注。其中基于ORB(Oriented FAST and Rotated BRIEF)的SLAM系统是目前移动机器人SLAM系统中相对完善、易于使用的系统之一。本文主要针对ORB-SLAM算法中的场景图像预处理、视觉里程计、闭环检测及后端优化问题展开深入分析和研究,以移动机器人为应用背景,提出了一种改进的基于ORB的移动机器人SLAM算法。论文主要研究工作如下:(1)针对场景图像中背景干扰和无效信息问题,釆用一种感兴趣区域检测和深度信息融合的场景图像预处理方法。该方法基于多层卷积特征聚合模型(Aggregating Multi-level Convolutional Features,Amulet)的显著性算法检测图像感兴趣区域,用于剔除图像中大量的背景干扰和无效信息,达到降低系统运算量,提高精度的目的。(2)对视觉里程计中ORB算法的特征检测和特征匹配问题,进行了改进和优化。一是针对ORB算法中特征点分布不均匀的问题,采用改进的FAST角点检测方法使得特征点分布均匀;二是针对ORB算法的特征描述符没有特征点的空间状态和位置信息,在图片内出现局部区域多处相似的场景时误匹配率极高的缺点,提出一种距离相似度与角度余弦相似度相结合的特征匹配算法,增加特征描述符的空间和位置信息,从而降低ORB算法在图片有多区域相似时的误匹配率。(3)将GPU与CUDA并行运算引入到图像匹配辅助导航系统中,应用于改进后的ORB算法,且运行速度有了超过4倍的提高,满足了图像匹配实时性的需求。(4)将改进后的ORB算法应用于智能机器人的SLAM工作中,评估其性能。对比实验结果表明,本文改进的算法有更高的实时性和鲁棒性,可以有效提高SLAM系统的定位精度和运算效率,其所构建的环境地图为后续研究和应用提供良好的基础。