同步定位与地图构建算法(Simultaneous Localization and Mapping,SLAM)是机器人实现自动导航的关键技术,目的是在未知环境中定位自身位置并对周围环境进行构建以用于导航。对视觉同步定位与地图构建算法(Visual Simultaneous Localization and Mapping,vSLAM)来说,存在两个挑战:一是在纹理缺失或人造环境下的鲁棒性运行,二是由运动模糊、光照变化等原因导致的定位准确度不高。为解决这些挑战引入线特征对环境表达,提出基于点线融合的vSLAM。提出在RGBD SLAM领域中基于点线融合的完整方案流程,包括追踪算法,局部建图算法和回环检测算法。在追踪算法中通过改进现有线段提取算法对线段进行提取,依据词袋模型对线段进行匹配,解决了现在基于线特征的vSLAM实时追踪速率低下的问题。在局部建图和回环检测算法中,通过利用Plucker坐标来表达空间直线并定义线的重投影误差从而能统一点线融合的后端优化误差模型。采用正交表示优化空间直线用来解决优化中直线过参数化以及直线Plucker约束造成优化中的不稳定性的问题。使用基准数据集进行实验测试的结果表明所提方法在融合线特征后不仅提高了仅用点特征时的位姿估计精度和鲁棒性,也提高了地图重构的精度。虽然引入线特征使得后端优化和特征匹配时间上增加,但由于采用高效的线段提取算法和高效的词袋匹配算法使得所提方法能达到25fps的实时性效果。