视觉同时定位与建图（v SLAM）是机器人进行自主定位和感知环境的关键技术。图像特征提取作为v SLAM前端中的重要环节,直接影响机器人的定位精度和建图精度。本文围绕图像特征提取问题,研究了手工特征和基于深度学习网络提取的特征,旨在提出鲁棒性强、匹配精度高的特征提取算法,以实现为v SLAM的后续环节提供正确匹配的特征点对。本文主要工作如下:针对ORB算法匹配精度不高的问题,提出了一种基于仿射变换的改进ORB特征提取和匹配算法。首先,在检测FAST点之后,对特征点提取不同仿射变换下的描述符并提取其稳定位,将提取的稳定位作为特征描述符用于特征匹配,消除不稳定位对描述符距离的影响。为进一步提高特征匹配的精度,本文在特征匹配之后加入改进的F-SORT筛选算法,首先将匹配的特征按顺序进行分组,然后根据特征点的角度、尺度和距离信息进一步筛选匹配的特征对。在VGG和Zu Bud数据集上的实验表明,所提出的算法相比ORB算法在匹配精度、正确匹配数量具有更好的性能。针对手工特征不能充分描述图像信息的局限性,提出深度学习下基于特征融合和自适应权重的特征提取算法。首先,使用VGG网络提取特征点的局部描述符,并利用浅层与深层进行特征融合,然后使用Net VLAD对特征点的局部描述符进一步提取,作为特征点的区域描述符。在特征匹配过程中,根据区域描述符的相似度为浅层描述符和深层描述符加权。模型训练过程使用三重损失函数,以提高特征点匹配精度。在HPatches和RDNIM数据集上的实验表明,所提出算法具有较好的匹配性能,且适用于视角变化大、昼夜情况等具有挑战性的场景。本文研究内容是国家自然科学基金项目《卫星信号拒止环境下异构多机器人协同建图与自主定位研究》中v SLAM前端的关键环节,所提取并匹配的特征点对为v SLAM前端进行机器人的位姿估计提供数据。研究成果不仅可以用于v SLAM位姿估计,而且可应用于人脸识别、目标跟踪等领域,对促进v SLAM技术在机器人应用领域的推广和应用具有理论和现实意义。