随着移动机器人的应用场景越来越广泛,各式各样的机器人也逐步进入了人们的视野中,SLAM技术是移动机器人依靠自身搭载的传感器探索未知空间并进行精确导航的重要技术。目前已有的SLAM方法主要是基于理想场景下设计的,而在复杂环境中存在多种因素影响着SLAM系统运行的稳定性。本文主要针对真实复杂环境如:环境纹理缺失、光照不稳定场景等复合型非理想环境,对视觉SLAM中的视觉里程计以及回环检测模块进行了研究与改进。1.针对环境中物体纹理缺失而导致的视觉里程计跟踪丢失问题,将直接法与特征点法视觉里程计进行策略性融合,并基于不同侧重面的复杂场景,合理地选择最佳的解算相机位姿方法。针对纹理缺失导致的特征点难以提取的情况,选择直接法解算位姿;根据有效匹配到的特征点的点对数量,选择性将特征点法的初步结果融入直接法中,并对相机位姿进行联合误差优化以得到更精确的结果;对于纹理正常但直接法难以运行的复杂场景,选择用特征点法求解相机位姿。设计实验将本文算法与其他算法进行性能对比测试,经对比实验验证,融合后的视觉里程计在复杂环境下运行的鲁棒性得到提升。2.针对环境中光照变化使得图像产生曝光不足或者过度曝光,进而使得回环检测的召回率降低的问题,改进了传统的基于视觉词袋模型的回环检测方法。首先在词袋模型上增加了可在线删增视觉词的模块,能够实现在线建立视觉词袋,并使词袋中视觉词数量和质量保持稳定。其次提出了一种使回环检测更具光鲁棒性的预处理方法,通过对图像曝光情况的检测,对过曝光及曝光不足严重的图像进行预处理,再将图像交由后续的回环检测处理。将本文算法与其他主流算法进行实验测试,实验结果表明,改进后的算法在室外光照易变场景下的鲁棒性得到提升,并能够满足回环检测对实时性的需求。最后将改进的回环检测算法、融合法视觉里程计以及后端优化相结合得到FD-fusion-lcd系统,实验结果显示,该系统在一些复杂场景中性能表现优于纯视觉里程计定位方法以及纯特征点法的SLAM方案,验证了本文算法的有效性。