近年来,随着图像传感技术与计算机技术的发展,基于机器视觉的自主定位方法（视觉里程计）成为移动机器人领域的研究热点;该技术能为工作在室内环境的移动机器人提供稳定、可靠的状态估计信息,是机器人系统开展后续决策、控制工作的基础,对移动机器人研究有重要意义。然而,视觉里程计实时进行的图像分析工作复杂度高、运算量大,对设备算力有极高的要求,难以部署在低功耗的嵌入式系统中。针对该问题,本文结合RGB-D相机的采样特性,改良特征点法视觉里程计的处理算法,充分利用嵌入式GPU硬件的并行计算能力,研究了一种可在嵌入式环境中实时、稳定工作的视觉里程计。首先简要介绍了三维空间中相机运动的数学描述与RGB-D相机的成像原理,建立出相机的观测模型;针对六自由度相机位姿的估计问题,分别介绍了面向3D-2D的Pn P算法与3D-3D的点云配准方法;然后,在经典特征点法视觉里程计的框架下,构建了本文RGB-D视觉里程计的基本模型,为后续视觉里程计的算法研究与改进工作奠定了基础。在RGB-D视觉里程计的前端追踪部分,充分利用嵌入式GPU硬件与算法的可并行性,基于GPGPU技术改进了图像特征提取、点云特征匹配、相机位姿估计三个部分的处理,提升系统的实时性;在特征匹配环节,提出了一种基于直方图统计的匹配筛选方法,利用欧氏变换的一致性,筛选出输入匹配的内点（正确匹配）集,使得后续可使用闭式的点云配准算法计算出相机的相对位姿变换,相较于传统基于RANSAC的位姿计算方法,该方法能显著提升输入帧位姿的估计效率。在RGB-D视觉里程计的后端优化研究中,推导了系统最大后验估计（MAP）的求解方法,分析了后端优化问题的稀疏结构,研究了一种根据关键帧间的特征匹配关系构建图模型的信息整合方法,准确建立图模型中的节点与边。在优化过程中,权衡系统的优化效果与解算速率,采用了局部集束调整的优化策略,控制后端的优化规模,高效抑制系统累计误差的增长。最后,综合RGB-D视觉里程计的基本模型与改进后的前、后端模块,将上述算法部署到了NVIDIA Jetson TX2嵌入式运算平台中,通过公开的RGB-D数据集进行了实验测试,验证了系统工作的实时性与可靠性。结果表明,该系统实现了实时、鲁棒的相对位姿估计,其输出轨迹在较长时间保持了良好的一致性。