机器人在未知环境中的即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人导航领域中的重要研究课题之一。随着RGB-D传感器技术的发展,如Kinect传感器等,以其高性能且价格低的优势得到了机器人领域中广大科研人员的青睐,针对RGB-D SLAM的研究也成为SLAM领域中比较火热的研究课题之一。针对RGB-D SLAM中存在的一些缺点和不足,如速度慢、计算任务复杂、数据庞大等,本文对原RGB-D SLAM算法的前端部分和后端部分进行了详细地分析,并对其多个关键环节进行了改进。然后在改进算法的基础上,将RGB-D SLAM与云机器人相结合,将RGB-D SLAM算法的后端过程卸载到云端执行,从而克服了传统SLAM过程计算复杂、速度过慢以及实时性差等缺点。具体研究内容如下:首先对RGB-D SLAM算法的每个环节进行了描述,并分析了算法中存在的缺点和不足,根据这些问题,本文针对特征检测与描述符提取、运动变换优化以及位姿图优化这三个环节给出了详尽的改进方法:针对BRISK算法不再使用尺度空间金字塔来构建尺度空间,而是利用像素点深度值进行尺度表达,并通过灰度矩心法找到特征点的总体模式主方向;结合ICP算法与粒子滤波来实现运动变换优化过程;以HOG-Man算法为核心完成位姿图优化,并针对改进效果进行了详细分析。然后利用云机器人在数据计算和存储方面的优势,将云机器人与RGB-D SLAM算法相结合,并将计算任务密集的算法后端部分卸载到云端。针对这一问题,本文给出了一个两者相结合的服务框架,并结合ROS系统,提出了ROS节点的设计方法,同时给出了云端与机器人之间的数据存储及数据共享过程,最终实现了RGB-D SLAM更高效更精确的目的。