随着自动驾驶被制定为国家战略,高精度地图作为自动驾驶的核心技术成为市场的抢占对象和研究的热门领域。道路和车道线为车辆提供可行驶区域,引导车辆安全行驶,是高精度地图的重要元素。移动测量系统作为高精度地图的数据采集设备,集成了相机、激光扫描仪、惯性测量单元（Inertial Measurement Unit,IMU）和全球导航卫星系统（Global Navigation Satellite System,GNSS）等传感器,为高精度地图提供了多种类型的数据。联合移动测量系统的各传感器的数据,进行高精度的道路和车道线提取是高精度地图的重要研究内容。但是,道路的边界类型复杂多样,路面的干扰信息和车道线的磨损、模糊和缺失,使道路和车道线的高精度提取充满挑战。本文联合移动测量系统的多种传感器及其获取的数据,对传感器的联合标定以及道路和车道线的高精度提取进行了研究。本文的主要研究内容如下:（1）研究了相机和二维激光扫描仪以及相机和IMU的联合标定方法。二维激光扫描仪获得的激光数据是激光扫描平面与物体相交形成的一条扫描线,相机获得的影像是三维物体的二维成像,而且激光点在影像中不可见。因此无法获得两种数据的同名特征,不能通过建立两者的准确对应关系对相机和二维激光扫描仪进行精确的联合标定。本文利用摄影测量检校场,分别获得影像和二维激光扫描数据与摄影测量检校场的同名点。通过建立准确的同名对应关系,完成相机与激光扫描仪的精确和鲁棒的位姿确定,从而获得相机与二维激光扫描仪的精确和鲁棒的标定结果。然后,基于IMU和相机标定的工具箱kalibr,针对因影像模糊影响标定精度的问题,对IMU与相机的联合标定方法进行了改进,实验结果表明本文改进的标定方法可以提高IMU与相机联合标定的精度。（2）基于格式塔感知理论,研究了道路的自适应提取方法。道路提取是高精度地图制作的重要内容,但是道路边界复杂多样,尤其是植被和泥土等不规则的道路边界,使自适应的提取不同类型的道路成为具有挑战且亟需解决的问题。移动测量系统获得的大量散乱分布的点云中,道路能够被感知是因为道路点云具有规则性,形成了最显著的平面。格式塔感知理论认为越显著的形状出现的概率越小。因此本文基于格式塔感知理论,利用道路的平面显著性,将点云中的道路提取建模为一个概率问题,通过寻找最小概率实现不同类型道路的自适应提取。（3）研究了联合全景影像和点云的车道边缘线提取算法。高精度车道线提取是高精度地图的重要研究内容。但是道路上存在复杂的干扰因素以及模糊和缺失的车道线,增加了车道线提取的难度。影像具有丰富的纹理,因此影像上车道线和道路具有明显的差异,但其无法反映车道线的几何关系和位置信息,且存在投影产生的变形。点云能够反映车道线的几何和位置信息,解决影像中的变形问题,但是点云缺少纹理信息,导致模糊车道线几乎不可见,尤其是没有反射强度信息的点云中无法识别车道线的位置。本文基于移动测量系统采集的全景影像和无反射强度信息的点云,联合全景影像的纹理特征和点云的几何特征,通过分析和利用车道边缘线在全景影像中的边缘特征和在点云中具有的几何约束,实现对复杂道路环境中正常和模糊车道边缘线的高精度提取,以及对缺失车道边缘线的补充。