机器人在未知环境中根据自身位置估计和传感器数据,完成定位和创建环境地图即同时定位与地图构建(SLAM), SLAM是实现机器人自主导航的基础和关键技术,也是增强现实技术、视觉医疗、三维重建、智能家居等领域的热点研究对象；由于视觉传感器有获取信息量大、适用范围广、安装方便、廉价等诸多优点,基于视觉SLAM已成为国内外研究的热点。如何快速稳定地描述自然环境特征、有效地构建室内外较大规模地图并且优化系统的数据关联是SLAM领域的难点也是本文研究的重点。本文的单目视觉SLAM的算法模块可概括为自然路标特征提取、关键帧检测、闭环检测；运动结构恢复、地图优化、逆深度估计处理。主要工作和创新点如下：首先,研究不同的图像特征算法以及特征分布对SLAM性能的影响。兼顾图像特征提取的快速性和稳定性两方面的要求,选择二进制ORB特征提取算法来描述自然环境；为进一步增强所选取地图特征的鲁棒性,提高定位精度,提出采用一种基于区域分割的ORB特征提取优化方法。为了实现较大规模环境的构建,图优化模型只对关键帧进行处理,通过比较各种场景采样技术的原理和优劣,提出采用将时间选择法与图像匹配法融合作为关键帧的选取方法。其次,在图像特征算法与关键帧的基础上,构建了可生长词汇树的词袋模型进行闭环检测优化系统的数据关联。将时间连续性和空间一致性作为约束,提高闭环检测的正确性,并且将闭环检测方案运用到特定跟踪丢失的情况下。然后,构建摄像头成像模型完成摄像头的标定并且采用关键帧间本质矩阵做奇异值分解(SVD)恢复运动结构,基于不同时刻位姿间的关联建立因子图模型,利用LM算法进行优化；采用逆深度滤波模型对地图进行处理,获取地图深度。最后,在室内外自然环境中验证了本文提出的单目视觉SLAM算法的可行性。