随着国家经济和科学技术的快速发展,移动机器人在家庭服务,工业制造和智能物流等领域起到越来越重要的作用。在未知的环境中执行任务过程中,机器人需要能够精确定位以及高效的规划路径。SLAM(Simultaneous Localization and Mapping)是一种可行的解决方案,但是传统SLAM算法在特征点提取,路径规划等方面仍有不足之处。为了提高效率以及减小运算量,本文提出改进的基于深度相机的移动机器人视觉SLAM算法。改进算法提高了特征点提取和匹配的效率,降低了规划路径所需的计算量。基于深度相机,提出了一种用于前端特征点提取和匹配的算法HHFT(Hue Histogram Feature Transform)。首先概述传统的特征点检测算法并阐明其优缺点,接着创新性地将图像分割和特征点提取相结合,最终完成特征点的提取和匹配。图像分割过程是在梯度图像的基础上使用分水岭变换算法,将图像分为“山脊”和“集水盆地”。由于特征点都位于“山脊”上,特征点的数量随着提取范围的缩小而减少。特征点在“山脊”上的坐标确定后,再使用周围一定半径范围内像素的色调直方图进行匹配。在特征匹配之后,使用RANSAC(Random Sample Consensus)算法进一步优化结果。最终实验结果证明HHFT算法整体的耗时较低,尺度变化和视角变化时具有较好的鲁棒性。从提高规划路径的安全性和效率的角度出发,提出RRT-Rectangular算法,对RRT(Rapidly Exploring Random Tree)算法提出改进措施。在传统RRT算法的基础上将地图栅格化,分为可行栅格和障碍物栅格。将起始点所在的可行栅格作为初始栅格,通过一定的规则依次选择下一个可行栅格,将路径规划问题转化为栅格队列的选择问题。最后将可行栅格的中心点连接,得到一条可行路径。试验结果表明,和传统RRT算法相比,改进算法的路径长度缩短了5.82%,而且没有碰撞风险。基于ROS系统和MATLAB仿真平台,实现了HHFT和RRT-Rectangular算法仿真,并给出时间消耗等方面的计算结果。通过直观地与经典算法的结果对比,验证了本文设计的算法的有效性和可行性。