基于视觉方法的机器人同步定位与制图（SLAM，Simultaneous Localizationand Mapping）在移动机器人导航研究领域获得了广泛的研究，且该领域的研究大多主要集中在如何获取高质量的鲁棒特征并能够实现较好的匹配、如何实现大规模的、实时性的机器人定位与环境制图。本文通过对前人在视觉SLAM领域已有技术的研究，在分析传统基于SRUKF（Square Root Unscented KalmanFilter）SLAM算法数值不稳定、滤波发散等不足之处的基础之上，旨在提出一种鲁棒的能够克服滤波器发散，且具有较高定位和制图精度的基于天花板视觉的移动机器人的SLAM算法。为了尽可能降低外界环境噪声对视觉特征提取的影响，并排除动态环境对定位和制图的干扰，本文采用的是天花板视觉模型的SLAM算法。视觉传感器固定在移动机器人的顶部且正对室内环境顶部的天花板，这样，系统就只需处理静态的，且只有旋转和仿射变换的图像数据，因此可以极大提高特征提取、匹配的速度和精度。在分析传统的基于概率统计学的SLAM算法基础上，本文采用的是无需线性化、数值较稳定、且计算量相对较少的SRUKF-SLAM算法。通过研究发现，传统算法在滤波器发散、数值稳定性、计算复杂度等方面存在严重缺陷，未对实际应用中会出现的数值舍入误差等因素导致的协方差矩阵失去正定性做充分考虑，导致滤波器发散。基于此类问题，本文提出了一种更加实用的，能够解决数值稳定性的基于修正牛顿法的SRUKF-SLAM算法，通过构造满足条件的新Cholesky矩阵进而取代原算法中协方差矩阵平方根，较好解决上述因素导致的滤波失败的问题，并减小了算法的计算量，能够成为解决此类问题的通用办法。并将子图法应用于天花板视觉模型的SRUKF-SLAM算法中，对每个定位、制图阶段分别建立各自的子图，当子图中特征点的数目、机器人在相邻时刻的位移差和角度差等条件超过一定的阈值即触发新子图的建立，然后将各个子图的信息用子图信息融合的方式进行地图融合用以获得较大地图。最后，通过在真实环境下的传统方法和本文改进算法的对比实验，验证了本文算法在解决滤波器发散、建立较大范围地图问题上的可行性。