SLAM(Simultaneous Localization and Mapping)是公认的智能移动机器人实现自主导航的核心环节。自2010年微软的第一款深度相机Kinect问世以来,因其价格低廉、采集信息丰富、可以直接获取像素深度信息等特点,迅速获得大批视觉SLAM研究者的青睐。因此基于深度相机的SLAM发展非常迅速。基于深度相机的研究被称为RGB-D SLAM,它既是机器人自主导航领域比较火的一个课题,亦是一个最具挑战的课题之一。经典的视觉SLAM以特征点为基础,主要分为:前端视觉里程计、后端优化、回环检测、建图等四部分。前端通过对相机采集到的图片进行一系列处理初步估计出相机的位姿与路标点的空间位姿。后端接受视觉里程计与回环检测的信息对初步估计的相机位姿与路标点进行优化,得到全局一致的地图与位姿信息。目前后端优化的主流算法是非线性优化。回环检测用以检测相机是否出现回环,若出现回环则可以消除累计误差。本文主要的研究内容如下:一、通过研究相机的成像原理得出需要标定的内参与畸变参数。使用张正友标定法对Kinetic相机的两个摄像头分别标定并实现深度相机与彩色相机的视角对齐。二、主要研究并改进了SLAM算法的前端。研究了视觉SLAM中常用的三种特征点算法。并通过实时性的对比试验选取ORB作为本文的特征点方法。选用阈值法与RANSAC相结合的方式剔除误匹配,通过实验验证此方法在精度跟效率上均有较大的提升。针对Kinect一代相机深度值存在较大误差影响ICP精度的问题选用非线性优化求解PnP的方式代替ICP求解相邻帧的位姿变换。并在视觉里程计中引入重定位的方法。针对匹配点少时RANSAC精度不够的情况引入匀速模型作为PnP的初值。三、主要研究了SLAM的后端算法。后端算法主要分为非线性优化与回环检测两个方面的内容。针对非线性优化,首先研究了主流的BA算法与位姿图优化算法。然后通过分析BA与位姿图优化各自的利弊,最终选用位姿图优化作为自己SLAM方案的非线性优化算法。针对回环检测,首先介绍了回环检测消除累计误差的原理和使用基于BOW的回环检测方案。具体可以分为:如何使用K-means++算法离线训练出使用K叉树表达的词典、如何使用TF-IDF计算字典中每个单词的权重、如何使用字典中单词表示一副图像、如何从数量众多的关键帧中快速筛选出与当前帧含有共同单词的关键帧,以及如何通计算图像间的相似性。最后使用TUM数据集对本文算法进行测试,利用求得的相机位姿进行点云拼接。并将测试的结果从定位误差与运行效率两方面与其他论文文献结果做比对,结果说明本文使用的方法可取得较好的效果。