移动机器人的自主实时精准定位与轨迹构建是机器人走向全智能化的前提。由于传统的定位方法的缺点，基于计算机视觉的里程计逐渐成为机器人定位的重要选择。视觉里程计在最近十几年的时间里已广泛应用于各类机器人的导航定位中，其中最成功的应用是NASA于2004年发射的“勇气号”和“机遇号”火星探测器。由于传统的视觉里程计方法深度信息难以获得，以Kinect为代表的深度相机的出现为视觉里程计提供了新的思路，受到越来越多的学者关注。　　本文研究了基于Kinect的视觉里程计的算法，可以分了两大类:基于稠密点的视觉里程计和基于特征点的视觉里程计。同时详细地分析了这两种方法的优缺点，基于稠密点的方法具有对弱纹理环境适应性好、能充分利用所有信息及实时性好等优点，但是它对变化很大的场景可能会匹配失败且定位精度略差;基于特征点的方法对光照变化的鲁棒性更高，且在场景丰富的环境下定位精度更高，但是它在特征点提取与匹配阶段处理耗时很大。　　本文首先分析了基于稠密点的Kinect视觉里程计的原理，并给出了一种改进的方法。同时与原DVO算法进行比较，可得该算法能比DVO算法取得更高的精度，该算法对于有动态物体场景效果提升明显且对于环境变化具有更高的鲁棒性;但是该算法和DVO算法一样，对于角度变化很敏感，且对于不连续的场景会匹配失败。　　针对上述缺点，本文提出了一种基于改进的SURF特征点的方法。首先分析了基于特征点的方法的一般流程，针对传统的SURF算法在匹配阶段耗时较大的问题，提出了一种基于亮度/色彩一致性的改进快速SURF特征点匹配的算法，可以有效缩小匹配过程所需的遍历范围，使得匹配算法的时间效率提高2倍以上。最后提出一种融合基于特征点和基于稠密点策略的视觉里程计，两种算法性能相互补充，鲁棒性更高且定位更准确。