机器人同时定位与地图构建技术是全自主机器人的关键技术。虽然,基于单目视觉的同时定位与地图构建方法相较于基于激光的有价格低、能够构建三维地图等优点,但其自身存在计算量大、易产生尺度漂移、建图精度不高等问题。因此,如何降低基于单目视觉的同时定位与地图构建算法计算量,提高地图构建精度已成为当今机器人地图构建领域热点。针对基于单目视觉同时定位与地图构建方法所存在的计算量大、易产生尺度漂移、建图精度不高的问题,通过采用基于相似变换的闭环检测与改进直接法,结合优化方法,重点开展了半稠密地图构建算法研究,并通过实验验证了本文所建立算法的正确性与有效性,提高了单目视觉同时定位与地图构建精度,降低了计算量。具体进行了如下研究:首先,针对如何提高基于直接法地图构建的快速性问题,开展了基于Lucas-Kanade方法的相机位姿跟踪改进方法研究。结合机器人行走速度指标,基于Lucas-Kanade方法,利用雅克比矩阵对该方法的迭代过程进行了分析,获得该方法计算量大的原因,在此基础上,通过位姿变换增量矩阵的逆实现了对Lucas-Kanade方法的改进,利用TUM数据集实验验证了改进LucasKanade的有效性;通过实验分析了地图稠密度对相机跟踪算法快速性的影响,实验中获得了算法的时间代价随像素梯度阈值变化曲线,得到了兼顾地图稠密程度和相机跟踪算法快速性的像素梯度阈值。然后,针对基于单目的地图构建算法尺度漂移和位姿估计不准确问题,开展了基于直接法的闭环检测和地图优化研究。借鉴了基于特征点法解决单目SLAM尺度漂移问题的方法,将相机的位姿变换和场景尺度同作为优化变量求解关键帧之间的相似变换,通过最小化像素灰度和深度残差平方和求得相似变换的最优估计。在此基础上,将求得的相似变换作为优化变量,通过求解最小化代价方程实现地图的全局优化。利用TUM数据集实验验证了基于相似变换的闭环检测和地图优化的有效性最后,为验证算法的快速性和准确性,在室内实验中以激光估计的轨迹为参照轨迹计算算法准确性,实验中对比各算法时间代价以验证算法快速性;为验证算法在解决单目SLAM尺度漂移问题的有效性,室外实验中手持相机进行长距离的闭环行走,对比优化前后的地图,验证了基于相似变换的地图优化在解决单目SLAM尺度漂移问题的有效性。