近年来,移动机器人技术的发展和应用正在影响着人们的生活,改变人们的工作方式。如今,随着现代高科技技术的迅速发展和智能制造水平的持续提升,移动机器人中一项关键技术——即时定位与地图构建（Simultaneous Localization And Mapping,SLAM）逐渐成为机器人研究领域热点,大量研究人员将目光投向SLAM,这项技术能够使机器人完全自动运行在室内外环境中。随着5G和自动驾驶技术的兴起,SLAM研究具有重要的理论意义。视觉SLAM方法之一的特征法又被称为间接法,能够利用图像特征信息识别、匹配、定位、建图。然而,视觉SLAM使用相机作为传感器,容易被光照、亮度、角度等因素影响,特征法还不能完全解决这种问题,视觉直接法直接使用图像像素、梯度等,能够把相机本身的影响降到最小,但不能重复得利用图像信息,无法使用闭环检测和后端优化全局轨迹,容易造成长期累积漂移影响定位精确度。本文在稀疏直接法的基础上,提出混合梯度特征点作为视觉里程计（Visual Odometry,VO）的一种新的特征提取策略,利用新特征使用闭环检测减小轨迹误差。利用多子图系统管理多个子地图,在跟踪丢失时开启新的子地图,减少重定位误差提升算法的鲁棒性。本文的主要研究内容如下:（1）提出混合梯度特征点提取策略,使用ORB算法对图像提取ORB特征,把图像分为多个栅格利用图像梯度从每个栅格中提取梯度特征。使用混合梯度点估计相机运动、局部建图和闭环检测,充分利用图像信息提高算法的定位精确度。（2）构建多子图系统管理子地图,在当前子地图中提取、匹配特征,相机重定位失败后构建一个新的子地图继续跟踪相机。多子图系统检测到两个子地图有重合部分,融合合并两个子地图成新的子地图,替换原先的两个子地图。通过实验表明,多子图系统有效,能够提升轨迹精确度和算法鲁棒性。（3）对闭环检测算法进行改进,构建出应用于多子图系统的闭环检测算法。使用混合梯度特征点决定图像关键帧和在多子图系统中检测闭环,提高图像场景复用性,提高闭环的检测效率,以减少全局轨迹漂移提升定位精确度。通过实验分析表明,本文能够提升系统精度和实时运行。