如今,机器人越来越多的应用到人们的各个生活领域当中,随着人工智能和图像处理技术的快速发展,机器人也更加智能化。SLAM(simultaneous localization and mapping)是机器人进行自主行动的基础与关键问题,经过视觉传感器获取的图像含有丰富的环境信息,因此通过视觉信息执行SLAM任务(Visual Simultaneous Localization and Mapping,VSLAM)逐渐成为此领域的研究热点。根据系统包含摄像头的数量进行划分,VSLAM又分为单目视觉和多目视觉。本文对基于图优化的单目视觉SLAM系统进行了研究,在此基础上对其中的特征提取算法及闭环检测模块进行改进,以提高系统的定位精度。首先通过对SURF,Harris特征提取算法及常用特征点描述子进行研究,总结其优缺点,提出将SURF与Harris结合用于图像特征点的提取。建立获取图像的高斯金字塔,并采用Harris算法在各尺度上检测关键点,并与经SURF算法获取的关键点结合建立关键点集合,而后采用r BRIEF算法生成关键点的描述子,最后采用双向最近邻次近邻比值法及RANSAC双层筛选算法去除特征点间的误匹配,获得可靠稳定的特征点。然后研究SLAM中闭环检测的基本原理,利用机器人移动过程中获取的关键帧完成动态词袋树的生长,以提升闭环检测模块的性能。在此基础上,针对传统的相似性评分只在单一尺度下计算图像间的相似度导致图像匹配的准确性较低,引入金字塔匹配算法,在不同层次上采用TF-IDF评分标准评估图像间的相似性,以提高图像间相似性评估的准确性,根据相似性评分获取候选闭环,最后通过RANSAC去除误正闭环。采用牛津大学Visual Geometry Group提供的数据集,City Center、New College数据集对本文提出的改进算法部分进行验证。采用KITTI数据集对集成本文改进部分的整体SLAM的定位精度进行验证。结果表明本文算法可以提高机器人定位的准确性及鲁棒性。