SLAM（同步定位和制图）算法在机器人科学中具有重要地位。在机器人导航领域，需要实时获取机器人和环境中特征物体的相对位置关系，进而建立包含机器人和环境物体的坐标系，这正是SLAM算法需要解决的问题。近年来，持续升温的AR/VR领域也需要SLAM算法来确定使用者的位置，也使得SLAM问题成为研究的热点。　　在真实环境中，机器人自带的传感器总是有误差的，这导致了获取一个高精度的定位信息是困难的，通常需要对传感器数据做融合、滤波和优化处理；并且传感器数据和机器人的运动之间的关系通常并不是显而易见的；随着时间的延长，需要优化的数据也会线性增长，而优化的计算量增加更为迅速，实时获取信息的需求使SLAM问题变得更难解决；最后，在长时间使用中，误差会不断积累，需要检测运动轨迹中存在的回环来消除累计误差。　　本文研究的是基于轮廓特征的单目视觉SLAM算法。在目前的视觉SLAM算法上，基本都是使用特征点作为视觉特征，但是点特征会有一些缺点，如需要特征点周围像素颜色变化有足够的复杂度，提取图像特征点计算量大等；而以轮廓作为特征可以在一定程度上缓解这些问题。和上述问题相对应，图像中的轮廓数量比特征点数量少很多，轮廓尺度变化时通常保持很多特性不变，通常不需要建图像金字塔，所以在计算量上轮廓提取会比特征点提取小很多；轮廓特征并不要求局部区域的色彩复杂度，只要有梯度差异提取出轮廓即可。　　本文以轮廓为特征实现了SLAM算法。包括轮廓做帧间匹配，求解摄像机运动；以轮廓为特征，建立环境地图，并做回环检测；基于图优化框架，实现SLAM算法后端优化，求取摄像机运动轨迹。