随着无人驾驶概念的普及,社会对自主移动智能设备的需求日益增加。同时定位与建图（Simultaneous Localization And Mapping,SLAM）作为实现智能设备自主移动的关键技术,对其构建地图的精度要求越来越高。本文着眼于地图精度的提升,提出了一种融合视觉与激光雷达的SLAM算法。主要研究内容如下:首先,对视觉SLAM算法进行了研究。通过研究视觉SLAM算法中的视觉里程计与后端建图优化模块,优选出了视觉SLAM中特征提取与图优化的视觉SLAM框架。并优选了框架中建图效果较好的单目ORB-SLAM算法进行研究。本文以KITTI数据集作为测试集,利用绝对轨迹误差（Absolute trajectory error,ATE）和相对位姿误差（Relative pose error,RPE）作为衡量指标,对ORB-SLAM算法的性能进行分析。实验结果表明,该算法存在跟踪失败现象,且建立的点云较为稀疏。其中,odometry＿00序列的ATE为8.876214,所有序列的平均RPE指标为0.189168,局部的位姿漂移较小。其次,对激光雷达算法框架进行研究,优选出基于特征与图优化的激光雷达SLAM框架,并通过算法和实验分析,优选出速率快且匹配准确度较高的曲率特征。选取包含曲率特征的Lego-LOAM算法展开研究。与ORB-SLAM算法相比,Lego-LOAM算法未出现跟踪失败的情况,且建立的地图点云更加稠密,但对部分大回环不敏感。其在odometry＿00序列的ATE减小了35%,精度有所提升,整体RPE减小了53%,具有更小的局部位姿漂移。其回环检测模块能有效提升精度,将ATE数值减小了36%。然后,提出了融合视觉回环模块的激光SLAM算法。实验结果表明,融合算法并未出现跟踪失败的情况,且在所有序列的ATE上较Lego-LOAM算法减小了42.7%,较ORB-SLAM算法中odometry＿00序列减小了62%,算法精度有所提升。因此,融合算法可以有效提升建图的精度。最后,设计了搭载融合算法的智能移动终端系统。通过硬件平台与软件平台搭建,设计出智能移动终端整体环境,并对其进行软件设计,移植融合算法和三维地图转化二维地图算法实现智能移动终端的建图功能,移植改进的自适应蒙特卡洛定位（Adaptive Monte Carlo Localization,AMCL）算法实现定位功能。通过设计实验,实现智能移动终端的巡检功能,验证了所提算法的有效性。