步入21世纪,随着第四次工业革命的到来,智能车辆和无人驾驶技术作为新一代出行方式引起了学术界和工业界的广泛关注。智能车辆要实现无人驾驶,首先应当能够获得所处环境的地图以及自身在地图中的位置,SLAM（Simultaneous Localization And Mapping,即时定位与地图构建）技术的提出便是为了解决这一问题,其中基于机器视觉的视觉SLAM（VSLAM）三维建图技术,具有环境信息丰富,成本相对低廉,安装便捷等特点,逐渐成为SLAM技术的主流发展方向。但传统VSLAM算法无法满足智能汽车的自主导航与避障的需求,其搭建的稀疏路标地图,存在特征提取不均匀、误匹配率高、鲁棒性不强等缺陷。因此本文在传统ORB-SLAM2算法的基础上,设计了三维地图构建系统,主要工作内容如下:（1）本文首先介绍了视觉SLAM系统的基础理论知识及深度相机成像原理,对本文所使用的Kinect V2相机进行了标定。（2）针对原始ORB-SLAM2算法视觉里程计特征提取重叠的问题,提出一种改进的ORB-SLAM2视觉里程计,通过对图像金字塔进行网格划分,完成FAST角点自适应阈值提取,消除特征提取重叠现象,使其分布更均匀;对于特征误匹配现象,使用RANSAC（随机抽样一致）算法进行滤除,最后使用ICP（迭代最近邻点）方法完成位姿估计。（3）针对稀疏路标地图缺少空间结构信息、不能实现定位功能等问题,提出一种基于RGB-D（深度）相机的三维点云地图构建方法,可实现稠密建图;随后为了解决点云地图运行负载大的缺陷,在其基础之上,设计了一种基于Octree（八叉树）的建图方法,经过对比实验,不同分辨率下八叉树地图所占存储空间平均下降了85.4%;此外算法运行时,CPU负载率平均下降了2.6%,内存占用率平均下降了64.1%,证明其有较好的压缩性能和实时性。（4）将本文设计的智能车三维建图算法与原始ORB-SLAM2算法进行定位精度对比实验;首先使用公共数据集TUM中的四个序列进行测试,与原始ORB-SLAM2算法相比,本文算法的ATE（绝对位姿误差）平均下降了36.95%,RPE（相对位姿误差）平均下降了23.5%;随后使用智能小车在室内真实环境进行对比实验,本文算法运行轨迹更为平滑,且未出现明显的定位漂移与帧丢失现象,定位精度明显提升;实验结果表明,本文提出的智能车三维建图算法具有较高的可行性与鲁棒性。