同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）能够赋予智能无人系统在未知场景定位并构建场景地图的能力,在仓储物流和自动驾驶等领域中发挥了重要作用。近年来,基于单一传感器,尤其是基于LiDAR和RGB相机的SLAM算法被广泛研究。但是在隧道、空旷平地等缺乏结构信息的场景中,基于LiDAR的SLAM算法将会失效。在低照度或者光照变化剧烈场景下,基于RGB相机的SLAM算法也效果不佳。为提高SLAM算法在多种复杂环境下的精度和鲁棒性,本文对LiDAR-RGB-IMU融合SLAM算法进行研究。通过对当前SLAM算法的对比分析,我们认为当前LiDAR-RGB-IMU融合SLAM算法存在扩展性差、数据融合不充分、计算复杂度高和鲁棒性差四种缺点。因此本文针对以下四种缺点进行改进。首先,针对扩展性差的问题,我们从融合算法框架的角度进行研究,分析了卡尔曼滤波算法及其存在的缺点,选择误差状态迭代卡尔曼滤波（Error State Iterative Kalman Filter,ESIKF）作为多传感器融合的核心算法。提出的融合SLAM算法由LiDAR-IMU紧耦合里程计（LiDAR-IMU Odometry,LIO）和RGB-IMU紧耦合里程计（RGB-IMU Odometry,VIO）两部分构成,按照时间顺序处理各传感器数据,因此适用于任意频率的LiDAR和RGB相机。其次,针对数据融合不充分和计算复杂度高的问题,我们从LiDAR和RGB数据融合角度进行研究,提出了基于三角化-局部地图投影两阶段路标初始化算法和动态因子图。这些方法基于视觉路标和LiDAR局部点云地图间的约束,以较小的计算量充分融合LIO和VIO的轨迹与地图信息,保证LIO和VIO的轨迹与地图一致性,改善LiDAR和RGB数据融合不充分的问题。此外,通过设计基于局部点云地图的LiDAR-RGB融合算法,使得本文算法没有对LiDAR和相机视场的限制,进一步提高算法泛用性。然后,针对鲁棒性差的问题,我们从传感器退化角度进行研究,提出了传感器退化检测和优化算法以及动态更新策略。通过分析多种LiDAR退化场景和基于观测方程的状态更新方法,提出了一种基于卡尔曼增益A矩阵特征值大小的退化检测和状态更新方法,降低了LIO在退化场景下的定位误差。通过研究LiDAR点云和RGB图像的特点,提出了动态更新策略,仅在LiDAR退化时基于RGB观测方程更新系统状态,使得本文提出的算法能够在LiDAR或者RGB相机退化场景下准确定位,解决鲁棒性差问题的同时,还改善了盲目融合数据导致的定位误差增加的问题。最后,介绍本文实验条件和数据集,并选定评价指标。在多种传感器退化和非退化数据集上进行实验,与当前多种先进方法进行对比,证明本文提出各个方法的有效性,能够在传感器和非退化场景下都保持较高精度,同时适用于不同种类和视场的LiDAR和RGB相机,并保持较小的计算量。