近年来,无人技术有了长足的进步,在该领域中,同时定位与建图（Simultaneous Localization and Mapping,SLAM）是无人技术发展的前提,当系统拥有了高精度的地图与强鲁棒的定位,才能让移动机器人做有效的路径规划。在SLAM技术的研究中,涉及到多种传感器,比如相机、激光雷达扫描仪、IMU和轮速脉冲等。相机的优点是硬件成本低,采集的信息特征丰富,但受限于工作环境以及载体的运动状态。激光雷达扫描仪鲁棒性高,采集的点云数据包含场景的三维信息,但是不适用于空旷大场景。IMU和轮速脉冲输出频率高,但是由于传感器自身工作原理,容易受到噪声的影响,随时间推移产生比较严重的误差累积。因此,本文通过结合各种传感器本身的优缺点,以提高无人系统的定位精度和鲁棒性为根本目的,提出了多传感器融合定位与建图算法。本文的主要工作内容如下:（1）分析了视觉和激光雷达SLAM的数学框架和系统模型以及经典的定位与建图系统下各个模块组成及功能原理,基于前端里程计、后端优化、回环矫正以及稀疏地图等模块对本课题应用的视觉系统模型进行详细的论述,并基于前端里程计、Mapping、回环检测以及点云地图构建等模块分别对本课题应用的激光雷达系统模型进行详细的解释。（2）分析了多传感器标定算法以及相关的数学理论基础,其中,标定算法包括相机内参数标定、相机和IMU的外参数标定、相机和激光雷达扫描仪的外参数标定。基于标定精度可观性的目的,提出了占据栅格地图,介绍该地图的数学模型,综合利用激光雷达扫描仪得到的点云数据和视觉定位系统得到的轨迹位姿,生成占据栅格地图。（3）开发了一种多模态传感器的融合算法,该算法的系统框架融合了激光雷达扫描仪、IMU传感器、相机和轮速脉冲等多种传感器,提供了一种同时满足精度和实时性要求的融合方法,可以在没有视觉特征或者在空间结构退化的情况下实现鲁棒的状态估计。融合算法分为建图和定位两个模块。在建图模块,由相机和激光雷达传感器构造视觉地图和点云地图,并用真实轨迹对相应地图做修正。定位模块应用误差卡尔曼滤波器的基本框架,首先由IMU和轮速脉冲传感器输出预测值,再通过视觉和激光雷达算法在已知地图上定位提供观测值,提高系统的精度和鲁棒性。（4）搭建并应用移动机器人平台,将本课题研究的多传感器融合算法用C++编程语言实现并在该平台上进行相关实验,然后分析、评估、对比实验结果。对多传感器结合的松耦合SLAM算法,通过误差修正恢复运动,与传统的SLAM算法进行对比,实验结果不仅验证了本课题算法的实时性和有效性,还展现了其在精度和鲁棒性等方面都拥有较大的优势。