现如今SLAM（Simultaneous Localization and Mapping,同时定位与建图）技术被应用到军事、教育、医疗等多个领域,其中SLAM技术与无人车结合应用更是研究的热点。本文基于视觉SLAM系统对复杂环境下无人车同时定位与建图进行研究,设计了完整的视觉SLAM方案。主要的工作内容如下:首先针对在复杂场景下视觉SLAM系统难以保持实时性和稳定性的问题,提出了一种对ORB（Oriented Fast and Rotated BRIEF）特征点过于密集的改进方法,对传统的SLAM框架进行改进,前端利用划分像素结合四叉树完成特征提取,对像素进行划分提高部分区域提取到特征点的概率,四叉树方法对特征点进行均匀分配提取。RANSAC组合EPNP+ICP的方式减少求解相机运动的误差,将传统的算法和改进的算法在TUM数据集下进行实验对比,验证改进后算法的实时性和稳定性的提升。其次针对复杂场景下的动态特征点对SLAM定位以及建图的不良影响,研究了对动态特征点的剔除,首先利用YOLOv3对潜在动态物体进行检测并修正,然后利用运动一致性划分静动态区域,并对区域内的特征点分类,其次基于光流法进行运动检测跟踪,对物体的运动状态初判断,然后结合对极约束进行重判断验证,解决误剔除过多导致定位丢失的问题。最后结合动态信息对动态特征点进行剔除,减少动态特征点对位姿估计的影响,提高定位精度和系统稳定性,并用动态数据集验证本文方法更具可行性以及稳定性。然后对视觉SLAM系统的后端、闭环检测以及建图部分进行了研究,基于词袋模型的闭环检测方案,提高了闭环检测的效率以及准确度;基于G2O的图优化模型,对相机的位姿进行优化,减少了计算量,提高了系统的实时性。最后研究了地图构建以及地图类型,并且对实验结果进行分析,验证后端部分的优越性。最后研究了无人车的实验平台,包括无人车的硬件系统以及软件操作系统,并且在该实验平台上验证了本文方法的可行性,实验结果分析表明本文方法有效地提高了系统的实时性以及稳定性。