随着机器视觉和人工智能技术的快速发展,移动机器人等一系列自主移动设备逐渐走进人们的日常生活和生产制造中。基于视觉传感器和计算机视觉技术实现机器人定位的方法逐渐成为热门的研究课题,视觉里程计作为其中一项关键性技术,是机器人实现定位与导航的基础,具有重要的研究意义。单目相机具有价格低廉和操作简便的优势,因此本文选用单目视觉里程计作为研究对象。针对传统的单目视觉里程计定位精度低和实时性差的问题,本文结合光流法速度快和特征点法精度高的优势,提出一种融合光流跟踪和特征点匹配的单目视觉里程计算法,并基于公开数据集和真实场景进行了性能测试与分析。本文主要完成的工作如下:1.针对特征点法计算量大和耗时长的问题,本文结合光流法和特征点法的优势,设计了一种融合两者优势的单目视觉里程计算法。首先,通过单目初始化模块固定尺度并恢复出初始地图点;其次,制定关键帧筛选策略,对于关键帧间的小规模运动,采用光流跟踪法建立图像帧间的数据关联,省去计算特征描述子和特征匹配的时间。对于关键帧则进行特征匹配,并通过重投影误差建立关键帧的数据关联,从而减少光流估计带来的累积误差;然后,通过基于关键帧的紧耦合非线性优化将两种算法估计的位姿结果进行联合优化,并更新相机位姿;最后,采用图模型的方式进行位姿图优化并获得全局一致性的相机运动轨迹。2.针对传统的ORB（Oriented FAST and Rotated BRIEF）特征提取算法容易出现特征点聚集和误匹配的问题,设计了一种改进的ORB特征提取算法。首先,构建图像金字塔对每层图像划分网格,采用自适应阈值的方法提取角点;然后,采用一种基于四叉树的特征点均匀化方案解决四叉树分割过多的问题。实验结果表明该算法提高了特征点分布的均匀性;最后,利用改进的RANSAC（Random Sample Consensus）删除误匹配算法,提高了特征匹配的准确率。3.将所提出的单目视觉里程计算法在公开数据集上进行性能测试与验证,并且与其他先进算法进行了性能比较。实验结果表明,本文算法与ORBSLAM2算法在平均定位精度相当的情况下,运行耗时可以减少46%以上;相比于文献[42]的算法,本文算法在Eu Ro C数据集的MH01和MH05序列上具有更小的误差结果,平均定位精度提升15%;相比于文献[31]的算法,本文算法在TUM数据集的fr1/xyz和fr1/desk序列上具有更小的误差结果,平均定位精度提升11%且运行耗时减少40%,因此本文算法在定位精度和运行耗时上具有较好的综合性能。此外在真实场景下测试了算法的运行效果,验证了算法的有效性和适用性。