随着机器智能的发展和对其更加深入的研究,SLAM (Simultaneous Localization and Mapping)作为该领域中非常热门的一个问题,在人机交互服务,未知环境探索(太空,海洋,地下等)和灾后救援以及重建等方面有着非常广阔的应用前景。SLAM研究领域中有两个核心问题,自主定位方法和即时定位方法,前者是指通过传感器获取信息用于估计传感器自身的位姿的方法,后者是重建未知环境的地图信息。这两个方法是相辅相成的,精确地定位可以提高地图重建的准确性,而准确度高的地图对定位方法表现也是至关重要的。现有主流SLAM方法一般都搭载在单目机器视觉平台上,针对其不能直接快速地获取深度信息(需要通过EKF迭代计算得到估计深度),导致不能准确地定位传感器位姿的问题,本文提出一种基于特征级融合的室内自主定位方法,该方法主要应用于静止多特征信息的未知室内环境中。本文主要研究内容和取得的成果如下：首先在回顾了SLAM领域的前期工作的基础上,重现了一些基于单目视觉的自主定位方法。实验结果表明：在未获得完整的视觉信息(未获得深度信息)的前提下,基于单目视觉的自主定位方法有很大的估计误差。因此,重点关注了基于异构多传感器的室内自主定位方法。随后,用51单片机,马达驱动电路和路由器等硬件搭建了用于室内自主定位的智能移动平台——智能车。用户通过客户端可以控制智能车的运行方向、速度和加速度等运动参数并获取搭载在小车上的传感器(摄像头)数据,通过特征提取,EKF (Extended Kalman Filter)预测、数据关联和位置估计等功能实现基于智能车平台的单目视觉室内自主定位方法。最后,提出特征级融合方法解决单目视觉传感器不能直接获取深度信息的缺陷。该数据融合方法对深度信息和图像进行融合,使得后期进行自主定位时可以同时获取深度和图像特征信息进行自主定位。实验结果表明了该方法提高了自主定位的位姿估计精度。