视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是采用视觉传感器进行位姿估计和环境地图构建,常被应用于移动机器人、虚拟现实及自动驾驶等领域。而视觉传感器中的深度（RGB-D）相机由于其测量误差最小,能够较好地满足视觉SLAM的精确性要求,因此基于深度相机的视觉SLAM逐渐成为了研究热点。为解决室内环境下基于深度相机的视觉SLAM技术实时性不高和精确度较低等问题,本文对传统视觉SLAM技术的一些关键模块进行研究和改进。在ORB-SLAM2框架下,开展如下工作:1)针对ORB算法提取的特征点较为密集且对后续特征点匹配和相机位姿估计工作的精确性影响较大的问题,本文提出一种改进的ORB特征点均匀化分布算法。基于自适应划分得到的图像金字塔,该算法设计一种改进自适应阈值FAST角点检测算法来检测图像中的角点,并采用改进的四叉树来管理检测到的角点,进而提高了均匀化分布算法的计算效率。最后,实验结果表明本文所提算法比ORB-SLAM2中特征点提取算法提取到的特征点更稀疏,更具有全局代表性。2)针对传统视觉SLAM技术中RANSAC算法剔除错误匹配点存在迭代次数不稳定,实时性差等问题,本文提出一种新颖的PROSAC算法。相比RANSAC算法对所有匹配点对集合进行随机采样,该算法从不断增加的正确匹配点对中采样并计算单应性矩阵,根据矩阵的解剔除错误匹配,大大提高了剔除算法的计算效率。实验结果表明本文提出的改进PROSAC算法比RANSAC算法计算效率更高,剔除误匹配效果更好。3)针对当前视觉SLAM技术中选取的关键帧不能较好地反映全局环境地图信息问题,本文结合图像相似性关键帧选取方法,提出一种基于阈值候选关键帧的选取算法。该算法首先将与上一关键帧特征点匹配时内点参数低于设定阈值的图像帧全部设置为候选关键帧,再利用旋转角度与位移长度筛选出符合条件的候选关键帧作为关键帧,这样选取的关键帧可以更好地反映全局的环境地图信息。4)室内环境下相似物体较多,使得前端易将相似位置识别为相同位置即前端传递一个假阳性闭环约束给后端,从而造成相机运动轨迹估计失败问题。针对这一问题,本文提出了一种基于图优化的鲁棒后端优化算法来识别并剔除假阳性闭环约束,进而提高了闭环检测算法的鲁棒性。另外,针对相机跟踪失败问题,给出一种基于视觉词袋模型的重定位算法,将重定位转换为图像对比问题。5)基于公开的室内环境数据集进行仿真实验以验证上述所提算法的合理性。通过与ORB-SLAM2算法的实验结果比较,本文所提算法要优于ORB-SLAM2算法。