稠密高程地图构建对于移动机器人星面探测、野外搜索等任务应用有着重要的作用,但是稠密地图构建存在数据量大、计算量大的难点,这对大范围地图存储和实时地图更新带来了巨大的挑战。本文基于2.5D稠密高程地图表示形式,提出了带有可行域信息的局部稠密高程地图快速构建系统、满足回航需求的可扩展全局一致的全局稠密高程地图在线构建系统和利用稠密高程地图的地点重识别融合网络。主要研究成果如下:1.设计了一种带有可行域信息的局部稠密高程地图快速构建系统。本文使用2.5D高程地图作为构建地图的表示形式,构建的局部地图根据传感器获取的观测数据和机器人的位姿进行观测更新和移动更新,并引入了可行域评估模块以满足移动机器人避障的需求。针对移动机器人计算资源受限而稠密高程地图构建存在数据处理量大、计算步骤多的难点,本文设计了基于GPU并行计算的建图架构。和原始的建图方法相比,使用加速策略的局部稠密高程地图构建提速10倍以上,在Tx2上运行频率达到7HZ。2.设计了一种大范围全局一致的全局稠密高程地图在线构建系统。该建图系统通过解耦局部建图线程和全局建图线程,可同时输出局部稠密高程地图和全局稠密高程地图。其中全局稠密高程地图以一系列子图的形式进行构建,并根据定位系统的闭环优化位姿进行相应的变形以实现全局一致性,同时建图系统通过地图维护机制保证了有界环境中地图存储不会无限制增加。在仿真数据集和公开数据集上,实验结果验证了本文构建的全局稠密高程地图的高精度、高效率、全局一致性和可扩展性。3.提出了一种利用稠密高程地图的多层级融合纹理特征和结构特征的地点重识别网络。本文主要构建了 一种用于地点重识别任务的融合视觉图像信息和高程地图信息的深度神经网络,它利用传感器的内外参数据,内在地将视觉图像特征图和高程图像特征图在鸟瞰视角下对齐,产生了一种合理可解释的带有几何结构信息的视觉特征表示。在Oxford数据集上,本文提出的网络获得最佳的召回率—88.93%。同时,该网络在跨城市场景数据集上也获得了最优的泛化测试实验结果。