在未知的环境中,机器人在向目标移动时需要准确的知道自己在未知环境中的位置,并建立一个所处环境的点云地图。同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人或自动驾驶应用中的一个非常重要的技术,其主要的目标就是在没有外在干预的情况下,自主完成定位的同时完成环境建模。近些年来,基于雷达的激光SLAM技术在很多领域都取得了巨大成功,但是受限于其成本高、特征少的特点,应用仍有较大限制;而基于相机构建视觉SLAM技术有成本低、特征丰富、能准确反应真实环境的特点,研究也越来越受到关注。在视觉SLAM中,传统基于点特征的方法存在精度不足、剧烈抖动容易跟踪失败等问题,从而降低系统性能。论文针对这些问题,做了一些研究和改进:首先,本文提出一种新的视觉SLAM算法。先使用双线性插值法得到特征点的灰度值,根据两帧之间的最小化光度误差得到当前帧估计位姿;为进一步降低此时位姿估计的误差,通过最小化重投影误差优化当前帧的位姿,提高相机定位精度。并且为改善建图精度,提出一种新的关键帧选择机制,通过前端得到的位姿来衡量上一关键帧与当前帧的运动幅度,根据运动幅度判断当前帧是否加入关键帧序列,合理化关键帧选择方法。其次,针对在最小化两帧图像的光度误差容易陷入局部最优值的问题,本文提出在优化光度误差时,采用特征金字塔的方法,从金字塔的顶层开始向下逐层优化位姿,同时上一层的位姿优化结果作为下一层的初始值,这是一个逐步减少误差的过程,并且可以允许相机在位移较大时,仍可以追踪到像素点。最后,本文主要采用TUM数据集进行实验,与ORB-SLAM2相比,本文方法在降低了相机的定位误差的同时,提高了系统的鲁棒性。