基于视觉SLAM（Simultaneous Localization and Mapping）的定位方式是机器人领域的关键技术之一,这种方式最少需要一个相机就可以进行同时定位和建图,然而纯视觉SLAM在实际使用过程中会受到环境纹理、光照变化、动态障碍物、尺度不确定性和纯旋转等问题的影响,为了实现鲁棒定位,引入其它定位传感器是非常有必要的。本文的研究对象是地面轮式移动机器人,这些机器人一般都会配备轮式里程计,轮式里程计与视觉融合有松耦合和紧耦合两种方式,松耦合直接将轮式里程计与视觉各自的定位结果进行融合,而紧耦合则将轮式里程计的测量值和视觉约束放在一个非线性优化函数中去优化,紧耦合的框架使得轮式里程计数据可以对视觉里程计进行矫正,同时视觉里程计信息也可以矫正轮式里程计的标定误差,所以紧耦合的定位精度要高于松耦合。本文选择相机与轮式里程计紧耦合的方式进行融合定位,主要的研究成果如下:（1）对离线外参标定方法进行改进,当轮式里程计与相机在硬件层进行了时间戳同步时,采用时间戳offset与外参联立标定的方式,否则,采用分步标定的方式,并使用两种指标判定外参标定的好坏。为了保证外参中的5个自由度都是可观的,对影响外参标定的退化运动进行了分析。（2）针对需要在线检验相机与轮式里程计的外参是否正常的需求,设计一套算法用于实时估计相机与轮式里程计之间的外参,为了防止退化运动导致外参被过度优化,需要在外参优化框架中加入先验外参的正则项。（3）针对视觉跟踪丢失的问题,设计了一套完整的应对方案。在视觉跟踪丢失期间依然能够依靠轮式里程计继续定位,同时在短时间恢复视觉定位。当视觉重新初始化后,为了不丢弃以前的地图,要对地图进行融合。（4）设计一套完整的相机与轮式里程计融合定位的SLAM系统,包括轮式里程计与视觉联立初始化、前端跟踪、后端优化、闭环检测和在线外参标定。通过对本文提出的外参标定算法、相机与轮式里程计融合SLAM算法进行测试,实验结果表明,该系统定位的鲁棒性和精度要优于仅使用单一传感器。