同时定位与地图构建是机器人处在一个完全陌生环境时,通过自身携带的传感器完成自主定位和对周围环境建模。SLAM是机器人自主运动的核心技术。2010年,Microsoft发布了Kinect,它可以既获取目标的RGB图像,又获取目标的深度图像,较低的价格使得RGB-D相机普遍应用于视觉SLAM领域。本文针对目前的RGB-D SLAM算法实时性和鲁棒性差的问题,提出了一种优化增强的RGB-D SLAM算法,主要工作有:（1）基于关键帧的特征匹配和位姿估计算法优化。在图像信息提取与匹配方面,采用ORB特征提取算法来进行特征点的提取,使其可以运行在缺乏GPU的设备上。采用BoW模型增强了帧间特征匹配方法,首先采用K-means++聚类算法构建视觉字典树,接着将特征描述子转换为特征向量,在视觉字典树内进行匹配,最后采用绝对值筛选和比值筛选两种方法剔除误匹配关系,得到可靠度高的图像帧间匹配点对集合。在位姿估计方面,采用RANSAC算法结合MLPn P算法进行相机位姿的初始计算,在待估计位姿关系的两帧图像中随机选取至少6组匹配点对计算出变换关系,然后将其它的匹配点对输入到该变换关系得到满足该关系的内点个数,最后选取内点数目最多的变换关系作为两帧图像间的初始位姿变换。之后采用光束平差法进行局部非线性优化,得到更精确的相机变换关系。最后进行关键帧筛选,首先要求匹配点对数目和内点数目满足阈值要求,接着计算帧间相对运动距离,最后选取满足帧间相对运动距离阈值要求的当前帧作为关键帧,用于后续回环检测和建图。（2）后端算法增强及改进。在回环检测方面,提出了利用BoW模型优化判断关键帧是否存在回环的检测方法,使用TF-IDF计算关键帧图像特征点的权重,之后计算当前帧和关键帧之间的相似度,选取满足相似度要求的关键帧作为候选回环帧;计算当前帧与候选回环帧的3D对齐变换,得到当前帧与候选帧之间的变换关系和内点数,选取内点数目最大的候选帧作为真正的回环帧;最后进行匹配优化,对当前帧与回环帧之间的变换关系进行非线性优化,将优化后的变换关系加入到全局优化中。在全局优化与建图方面,使用位姿图作为全局优化的方法,将运动估计选出的关键帧加入到位姿图中,同时将回环检测选出来的回环关系也添加到位姿图中,采用g2o进行图优化,得到全局一致的相机位姿。然后使用优化后的变换关系对点云进行拼接的步骤,获得完整的点云图。最后使用贪心网格三角化算法获得网格图。本文在公开的TUM数据集上进行实验,总结了实验结果并与其它文献进行比较。在fr1数据集上,本文算法的平均定位误差是0.0541m,每帧数据的平均处理时间是0.04s。在定位精度与运行时间上,本文算法优于其它算法。