SLAM(Simultaneous Localization and Mapping)作为机器人实现自主化的基础,能够在未知环境下实现机器人定位与环境地图构建的同步进行,近年来受到了越来越多的关注。按照选用的传感器不同可将SLAM分为三种:基于声呐、基于雷达和基于视觉的SLAM。本文主要研究视觉SLAM中的RGB-D SLAM,即以RGB-D相机为视觉传感器的同步定位与构图。KINECT作为RGB-D传感器价格便宜,且所获得的图片质量也较好,因此本文在KINECT的基础上进行研究与实验。本文首先对SLAM的发展现状与研究内容进行了分析介绍,将SLAM分为以图像处理为目的的前端和以优化为目的的后端,并对前端与后端的各个环节进行了详细阐述与推导。随后,针对各环节存在的问题提出了相应的改进方法。在特征提取环节,通过对主流提取算法的仿真分析,提出以FAST-SIFT的结合方式进行特征提取,不仅加快了计算速度,而且保证了提取的稳定性。另外,打破了传统算法中将特征点视为一体的方式,对特征点进行分类,并说明了平面点的优势,继而提出以“先面后点”的方式提取出更多的平面点。在特征匹配中,同样采取先匹配面后匹配面上的点的方式,通过平面参数对点云深度进行修正,减小了深度噪声的影响。随后又提出一套完整严格的误匹配剔除规则,避免了因为误匹配导致的不良结果。在运动估计环节中,用经过修正后的点云进行配准,提出基于PROSAC((Progressive Sample Consensus))的ICP(Iterative Closest Point)算法,相比与传统算法更为快速、准确。最后,在后端算法中,制订了合理的环回检测策略,并以G2O为仿真工具,验证了添加了回环后的结果更为精确。本文首先以网上公开数据集freiburg2_pioneer_slam作为仿真数据,对改进算法进行了仿真分析,随后采用手持KINECT的方式,在实验室环境中进行实验。最终仿真与实验结果表明了改进算法的优越性。