机器人的自定位和地图建构是移动机器人SLAM(Simultaneous Localization and Mapping)的主要内容。目前,国内外许多学者对机器人自定位和建图算法进行了研究,采用的传感器为里程计、激光雷达、视觉相机等。然而受限于传感器本身的噪声影响、不确定性的非结构化环境及目前SLAM算法大多由于传感器信息太少的原因,移动机器人容易误差累积,无法精确定位和建图。为了提高机器人的自定位精度和建图效果,本文设计了面向非结构化环境的自主移动机器人SLAM系统,研究了减少机器人自定位误差累积以及地图误匹配的算法。首先,基于ORB(Oriented FAST and Rotated BRIEF)特征提取算法,提出了一种基于四叉树的ORB特征提取改进算法。该方法将图片构造图像金字塔解决尺度不变性问题,接着在每一层金字塔图像上检测角点来提取特征点,并通过引入四叉树算法使特征点均匀化分布,解决了在非结构化环境中图像特征点提取过于集中而导致的图像局部特征信息丢失的问题,提高了图像特征匹配时的快速性及精确性。其次,为了在图像位姿估计过程中充分利用更多空间点信息及减少噪声的影响,本文提出了一种基于EPnP(Efficient Perspective-n-Point)的相机位姿估计优化方法。该方法先使用EPnP算法估计相机位姿,然后把相机位姿和空间点位置都看成优化变量,构建成最小二乘优化问题对估计值进行BA(Bundle Adjustment)优化,提高了机器人在非结构化环境中输出位姿的精确性和可靠性。接着,针对非结构化环境中仅使用激光雷达工作会因误差累积而导致自定位不准确及地图误匹配的问题,本文利用粒子滤波算法,将回环检测后的相机位姿作为观测数据,和激光雷达信息进行融合建图,从而进一步提高了SLAM过程的可靠性。最后,设计了面向非结构化环境的自主移动机器人SLAM系统实验平台,并搭建了实验机器人和相应的模拟环境。以移动机器人为实验对象,在室内环境中提取周围特征点,并通过对比其它特征算法的提取效果,结果验证了本文所提出的ORB特征提取改进算法的高效性。在模拟环境中进行机器人位姿实验,结果表明本文所提出的基于EPnP的相机位姿估计优化算法的精确性和鲁棒性。本文提出的算法能够作为计算机视觉领域特征点匹配优化以及移动机器人三维建图过程中的有效的方法,对基于机器人的协同控制和自主配送的研究具有重要的意义。