近年来,智能移动机器人、无人驾驶、增强现实(AR,Augmented Reality)与虚拟现实(VR,Virtual Reality)等新兴技术在国内外备受关注,在强劲的市场与应用需求以及巨大的商业潜能的推动下,同步定位与地图构建(SLAM,Simultaneous Localization And Mapping)技术正不断向高实时性、高鲁棒性、高精度的方向发展,从而为上层应用提供高质量的定位服务与环境地图。立体视觉SLAM系统(VSLAM,Visual-SLAM)比单目VSLAM具有明显的优势,不仅能够避免单目相机带来的尺度不确定性,而且能够构建更为生动的地图。本文针对立体视觉SLAM展开讨论与研究,提出了一种基于半直接法的VSLAM,该方法融合了直接法与特征点法的优势,既具有直接法速度快、对场景纹理需求低的特点,又保持了特征点法精度高、稳定性好的优势,并且将视觉词袋模型(Bo VW,Bag-of-Visual-Word)用于闭环检测与重定位,最终实现了一个具有三线程结构的、完整的VSLAM系统,将其称为SDFSLAM(Semi-Direct Full SLAM)。SDF-SLAM的主要工作在于:1.系统同时支持双目相机与RGB-D相机两种主流的立体视觉传感器,扩大了系统适用范围并且提升了系统初始化的速度与成功率,并实现一种基于NCC(Normalized Cross Correlation)测度的双目立体测距子系统,使得系统能够快速、精确地从双目图像中计算得到特征点的深度。2.使用基于四叉树结构的关键点检测策略改进ORB特征提取算法,改善原本ORB特征容易在图像上聚集的情况,使其能够适应VSLAM的特性,然后围绕改进后的ORB特征提出并实现一种基于半直接法的视觉里程计(VO,Visual Odometry),同时利用直接法与特征点法的优势,在保持精度前提下最大限度的提升处理速度。3.基于视觉词袋模型,使用K-means++算法对42个不同场景、20多万张图片进行训练从而得到庞大的ORB视觉词典,以此为基础实现SDF-SLAM系统的闭环检测模块,有效的解决了闭环检测问题,一定程度上消除了累积误差。4.在公开数据集以及个人采集的现实环境数据集上对SDF-SLAM系统通过实验进行评估与分析,并与多个知名的开源VSLAM系统做出对比实验,证明SDF-SLAM系统在保持了良好精度的前提条件下,具有优异的实时性和实用性。