导航是机器人完成各种工作和任务的前提和基础，视觉导航则因其具有探测范围广、获取信息丰富等优点而受到相关技术人员的重视和青睐，是移动机器人相关技术研究领域中非常重要的一环。视觉归航的概念来源于对生物导航的研究，该类方法避开了传统导航方法精确定位和环境模型工作，取而代之的是只进行判断运行方向和停止位置，更加类似于智能生物的导航方式。该方法具有占用存储空间小，导航过程中不会产生累积误差等优点。本文以全景视觉机器人为硬件平台，进行了基于自然路标的归航方法研究，并进行了实验验证。　　在没有刻意设置的人工路标的环境中，机器人要顺利完成归航任务就不得不借助于环境中的自然路标。图像中的局部特征拥有多种抗变换性，比较适合作为自然路标点。本文对比了SIFT和SURF这两种图像局部特征提取方法在全景图像中进行特征提取的性能，主要从时效性、抗尺度变换，可匹配率和错误匹配率等几个方面进行对比。并根据实验对比结果和实际任务的需要，选用SURF算法提取全景图像中的特征点作为自然路标。　　完成自然路标点提取任务后，接下来就应该解决当前图像中的路标点与目标位置模板图像路标之间的匹配问题。为了加快匹配速度，本文在充分利用SURF特征描述子的特征点明暗标记和建立模板图像特征集合KD数加速匹配的同时，针对全景视觉系统的成象特点提出了一种基于区域分类的路标匹配加速方法。由于直接通过检索方法得到的k近邻匹配中不可避免的会存在错误匹配，因此必须对误匹配自然路标对进行滤除。针对单向匹配中会出现路标的多对一现象，本文引入了一种双向匹配方法，该方法可以在彻底消除路标匹配中的多对一问题的同时，还大大增强匹配的稳定性。为了尽量减少路标的误匹配数量，将提取两个字符串中的最长公共子序列思想运用于误匹配对滤除，得到了很好的效果。　　在自然路标提取、匹配的工作结束之后。本文详细研究了路标夹角差的归航方法，并对其进行了改进，具体的改进方法为，将自然路标与机器人之间的距离变化趋势信息融合到夹角差方法的归航决策中，使得针对每一帧图像得到归航方向更接近于真实的准确的归航方向，从而使整个归航过程得到优化，提高归航轨迹的平滑度和归航精度。为了验证算法在真实环境中的归航效果，以实验室的REVV-B32型履带式机器人为实验平台，在室内环境进行了实验测试，并通过机器人在归航实验的运动轨迹的平滑度和归航精度的提高证明了改进算法的有效性。