在未知环境下,机器人通过传感器获取外部环境信息,实现位姿估计并增量式地构建环境模型,进而确立自身的全局位置,上述过程称为机器人同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)。SLAM问题是目前机器人研究热点之一,对实现机器人任务规划、自主控制具有重要的理论意义和应用价值。基于图优化方法的RGB-D SLAM系统框架采用RGB-D传感器,可在获取彩色图像的同时得到环境深度信息,减少三维重构计算开销,因而受到了广泛研究与应用。SLAM系统框架中的闭环检测可校正传感器误差与配准错误,是减少地图定位漂移,提高地图一致性,实现健壮SLAM的重要算法。本文基于ORB关键帧闭环检测算法,实现了一种健壮、实时的RGB-D SLAM系统框架,本研究主要工作和成果如下:首先,详细介绍了RGB-D传感器的成像原理及内外参数模型,标定基本原理。通过彩色相机与深度相机标定,相机坐标变换实现彩色与深度相机的视角标齐,为后续特征匹配、帧间配准提供视角一致的小畸变图像信息;其次,对特征点检测算法进行了研究,分析对比SIFT、FAST特征检测算法及SIFT、BRIEF特征描述子方法。为满足SLAM实时性强的系统特性,研究并改进基于FAST特征检测与BRIEF特征描述的ORB算法,增强了图像特征匹配的旋转不变性与实时性;再次,系统地研究了基于图优化的SLAM方法。提出一种基于ORB关键帧闭环检测的改进SLAM系统框架,建立了关键帧闭环匹配算法与SLAM之间的关系;然后,分析了特征检测与描述子建立、帧间配准、位姿变化估及闭环检测等算法对SLAM实时性与鲁棒性的影响。系统前端通过ORB算法加快了图像特征点检测与描述子建立速度;结合相机小孔模型与深度信息,将二维图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的RANSAC-ICP算法,实现机器人在初始配准不确定的条件下精确位姿估计。基于ORB关键帧词袋闭环检测算法将关键帧的特征点聚类成为字典,根据字典单词间的相似度判断是否形成场景闭环,修正位姿错误。通过闭环检测可减少地图冗余结构,生成具有一致性的地图;最后,通过标准测试数据集,以帧间配准速度及绝对轨迹误差(ATE)的均方根值(RMSE)为评价标准,对改进SLAM系统的实时性与鲁棒性进行评价。与传统RGB-D SLAM系统框架结果进行了对比,结果验证了本文提出的改进SLAM方法的可行性和有效性;最后,搭建移动机器人实验平台,在不同实验环境下验证改进算法与系统框架的有效性,并对构图结果进行了分析。