随着智能机器人的不断发展,SLAM(Simultaneous Localization And Mapping)技术已经成为机器人走向自主化的关键技术之一。同时,随着无人驾驶技术的应用,SLAM技术被更多的研究者所关注。视觉SLAM作为主流的SLAM系统,在传感器成本和地图构建上都比传统的激光SLAM更具优势。但是,在目前的视觉SLAM算法中,仍然存在计算量大的问题,影响了系统的运行速度和实时性。在基于特征点匹配的SLAM系统中,主要计算量存在于特征提取与匹配,全局数据关联,图优化以及回环检测中。本文首先研究了主流的特征提取算法,并对比了其在特征提取过程中的效率,发现ORB(Oriented Fast and Rotated BRIEF)算法在提取速度上明显优于SIFT(Scale Invariant Feature Transform)和 SURF(Speeded Up Robust Features)算法。同时,由于线性匹配在特征数目较大时效率低下,本文将层次聚类树算法和LSH(Locality-SentitiveHashing)算法应用到ORB特征匹配过程中,并通过实验验证了其相比于线性方法在速度上的提高。本文还对比了层次聚类树和LSH算法在构建分类结构时的速度,发现LSH的参数构建不会随着特征点数目的增加而有明显增加。在此基础上,本文设计了基于随机抽样一致(Random Sample Consensus,RANSAC)的前端框架,进一步剔除了错误的特征匹配。在回环检测问题上,本文提出基于直方图匹配的回环检测算法。首先,对每个图像提取直方图,并通过直方图数据的快速最近邻匹配,筛选出具有相似外观的图像,以减小回环检测的范围。然后在此基础进行位置一致性检验,进一步对回环进行筛选,提高了回环检测算法的正确率。在此基础上,构建了图优化模型来对回环进行矫正。最后,本文设计了基于图优化的SLAM算法框架,包括视觉里程计前端,局部BA(Bundle Adjustment)和回环检测三个部分。局部BA部分通过构建重投影误差,对相机位姿和地图点同时进行优化。回环检测部分利用回环检测信息,构建整体的位姿图优化模型,对所有的位姿进行优化。