为让机器人在工作环境中自主地移动,定位和绘制环境地图这两项基础功能便是不可或缺的。经多年发展,基于视觉的同时定位和制图（Visual Simultaneous Localization and Mapping,VSLAM）已经有比较成熟的框架,且能为机器人提供基本的环境感知能力。SLAM（Simultaneous Localization and Mapping,SLAM）系统框架的前端是整个框架的数据入口,其主要部分是视觉里程计,主要负责对机器人位姿和空间点进行实时的估计,所以视觉里程计的鲁棒性将影响整个系统的稳定性,故本文对视觉里程计中的特征提取和匹配过程进行了研究。此外,当面对相对较大范围的复杂外界环境时,受机器人硬件及算法性能的限制,现有SLAM算法针对大范围环境地图的绘制和管理仍需改进。并且为了实时运行,当前多数SLAM算法绘制的都是稀疏特征点地图,仅能用于基本定位,不支持导航、路径规划或场景重构等高级功能。针对以上这些问题,本文从下面的几个点入手研究和改进视觉SLAM系统:（1）本文首先介绍基于特征点的图优化SLAM的发展历程及图优化视觉SLAM系统的经典框架,分别对框架中的前端视觉里程计、回环检测、基于优化的后端、基于特征点的地图绘制及基于点云的3D稠密重建等模块进行了介绍。（2）其次,介绍本文在ORB算法基础上改进的基于图像中特征点分布的相邻帧帧间特征匹配方法。对当前主流的一些特征检测算法进行了分析,通过实验对比,展示了ORB（Oriented FAST and Rotated BRIEF,ORB）算法的优势。但原始的ORB特征提取算法在提取单帧图像中的ORB特征时,只会对该图像中的每个单独的ORB特征点进行提取和描述,没有利用ORB特征在图像中的分布信息。而在进行帧间匹配时,对于具有相似描述子的两个特征点,容易造成误匹配。因此,对原始ORB算法进行改进,加入ORB特征点在图像中的分布位置作为辅助信息,以提高特征匹配的效率和准确率,进而提升视觉里程计的效率和准确率。（3）然后,在深入研究基于图优化的开源算法ORBSLAM2（Oriented fast and Rotated Brief SLAM2,ORBSLAM2）的基础上,进一步将重点放在较大范围场景下的地图保存和更新上,对较大范围场景下的地图保存过程进行了说明。同时,针对绘制地图时,地图中出现的动态变化部分,讨论了如何将变化后的地图局部更新到地图中。（4）最后,利用现有机器人硬件平台,结合开源机器人操作系统ROS（Robot Operating System,ROS）在ORBSLAM2算法框架的基础上设计并实现了整个视觉SLAM系统。系统具备对环境的实时3D点云稠密重建、环境地图保存和动态部分更新、地图重加载及重定位的能力。通过实际的场地测试,验证了系统在不同场景下的实际性能。最终结果表明,本文设计的SLAM系统可以实现对较大范围场景地图的绘制、更新和保存,也可以重加载已保存的地图并在该地图上实现重定位功能。