同步定位和地图构建(SLAM)是机器人在行进过程中,通过传感器获取环境数据来建立环境地图并同时估计出自身位姿的过程。随着移动机器人应用领域的增多以及应用场景的复杂化,部分未知的半结构化环境以及完全未知的非结构化环境下的移动机器人定位成为迫切需要,SLAM成为解决移动机器人自主导航的关键技术。本文主要分析了基于深度传感器的视觉SLAM实现方法,包括鲁棒的图像特征点检测和匹配、机器人运动的相机位姿估计、非线性最小二乘后端优化以及基于外观的回环检测等关键技术。针对文献视觉SLAM方法中存在的精度较低、鲁棒性差等问题,本文在现有三维地图构建算法的基础上,提出一种改进的深度SLAM算法。通过灰度质心法和图像金字塔给检测的关键点添加方向和尺度不变性信息,使得相机在移动机器人发生抖动和旋转等情况下仍然能进行位姿轨迹;采用混合迭代最近点(ICP)和透视多点投影(PnP)算法的位姿估计算法;通过捆集调整(BA)构建状态估计的非线性最小二乘优化模型;通过基于词袋模型和词频-逆文档频率算法的回环检测,有效消除累积误差的影响并实现丢失跟踪情况下的重定位,提高精度和鲁棒性。通过公开数据集仿真实验实现了移动机器人运动过程中的位姿估计和点云地图构建,并分析了绝对轨迹误差和相对位姿误差;实验结果表明本文改进SLAM方法在位姿估计的精度和鲁棒性上有了一定的提高,能够实现较大场景下的实时同步定位和地图构建。最后,在实验室自制携带深度相机KinectV2的轮式机器人上搭建实验平台,进行实际环境下的定位和地图构建实验;实验结果显示改进系统能够实时获取室内非结构化环境中的机器人运动轨迹,进一步验证了本文改进SLAM方法的性能和可靠性。