随着当今社会的发展和科学技术的不断进步,对在室内环境工作的移动机器人的服务能力要求越来越高,对于室内移动机器人的研究首先要解决定位的问题。但是在室内环境下无法稳定获取GPS信号,而即时定位与地图构建(SLAM,Simultaneous Location and Mapping)技术的出现,给在室内环境下实现准确定位提供了新的方法。SLAM技术可以使机器人在未知环境下实现自主建图和定位,激光SLAM和视觉SLAM是目前SLAM技术研究的主要方向,相比于激光传感器的高昂价格和应用条件比较苛刻,价格低廉以及应用范围广泛的视觉传感器成为视觉SLAM研究的热点。RGB-D传感器可以同时获取周围环境的彩色图像和深度图像,因此在视觉SLAM中应用比较广泛。本文对基于RGB-D数据的视觉SLAM室内定位算法进行研究,利用卡尔曼融合的思想将光流跟踪法和特征点匹配法进行融合。本文研究了视觉SLAM的原理和不同的特征点提取与匹配算法。对目前主流的几种特征点匹配算法进行实验分析和对比,选择速度较快的ORB算法进行特征点提取,同时利用暴力匹配的方法进行特征匹配。为了减小误匹配点对相机运动估计的影响,本文提出一种优化算法对特征点对进行粗剔除,然后结合随机采样一致性(Random Sample Consecouse,RANSAC)算法来剔除误匹配点。但是基于特征点匹配的视觉SLAM的实时性不足,影响相机运动估计。为了提高算法的速度,本文研究了速度较快的光流跟踪法视觉SLAM。研究了传统的LK光流跟踪法和基于图像金字塔的改进LK光流跟踪法,实验对比两种算法跟踪特征点的区别,选择改进的LK光流跟踪法进行实验。同时提出利用RANSAC算法剔除冗余点,减少相机运动估计的计算量。光流跟踪法可以保证实时性,但是存在误差累积和跟丢特征点的问题,使得相机运动估计产生较大的偏差。为了解决光流跟踪法存在精度差和误差累积的问题,提出了将特征点匹配法和光流跟踪法进行卡尔曼融合,以减少光流法的误差,同时可以提高算法的速度。通过搭载实验平台,基于数据集和真实场景进行实验,验证了算法定位的实时性和准确性。实验结果表明:本文的算法可以克服光流跟踪法精度不足和误差累积的缺点,同时可以提高特征点匹配法的速度,该方法能为SLAM提供较准确的定位信息。