本文在扩展卡尔曼滤波器算法的基础上，实现三维环境下以单目相机为传感器的机器人同步定位与制图的研究（Simultaneous Localisation and Mapping，SLAM），精确给出机器人定位的同时，实现周边环境模型的建立。前人对EKF同步定位与制图的研究经过了全状态估计器、低帧率实时处理、逆深度参数法表征特征、依赖外界有形特征等方法，使得EKF在SLAM方向的应用得到了大大的肯定，但是其计算的复杂度及特征点模型的建立精度没有特别好的解决方案。本文以单目相机作为机器人的传感器，将以观测到的两维图片对机器人位置姿态及周围环境特征点进行三维模型建立。在观测模型维数比建立模型小的情况下，课题选用逆深度参数法对特征点进行定位，以机器人的位置、观测角度及估计逆深度对特征点位置进行表述。然后在深入研究EKF定位算法的基础上，建立本课题的运动模型和测量模型，通过利用EKF中的运动更新和测量更新步骤，依据地图特征点预测值与真实值的差，在卡尔曼增益的作用下逐步对特征点的位置进行修正，从而建立比较精确的地图模型。文中根据多次实验遇到的误匹配、匹配准确率低及重复添加删除同一特征点等问题，改进了处理特征数据相关性的方法。利用不同的方法对特征点进行描述、分析和对比，实现了SURF特征描述子与特征图像块的描述方法综合应用，达到匹配环节的互补效应。然后对匹配出来的数据采用one-point RANSAC的方法进行分类，将区分出来的inliers和outliers前后进行测量更新。最后加入特征管理，对更新过的特征点进行再次甄别，将带有无效信息的特征点及不稳定的特征点踢出地图，加入黑名单，以防重复添加，达到加快程序的执行速度，加强系统的鲁棒性的效果。