近年来,自主移动机器人开始在各领域展现出其巨大的应用价值与商业潜力,这在很大程度上推动了机器人相关技术的研究与进步。精准的自主定位与完善的地图是机器人能够完成其他复杂任务的前提,因此同步定位与建图（Simultaneous Localization and Mapping,SLAM）是实现机器人自主运动所必须要解决的基础关键技术之一。激光雷达和相机是目前SLAM中最常用的两种主要传感器,但受限于传感器自身特点,基于单一传感器的SLAM系统往往无法同时应对各种复杂多变的环境。本文针对传统基于特征的视觉SLAM算法存在的不足进行了改进,并与激光雷达进行融合,研究并提出一种基于彩色双目视觉与激光融合的移动机器人SLAM系统。首先,针对传统的视觉SLAM算法未能充分利用图像颜色信息的问题,本文以ORBSLAM3算法为基础,对其特征点的提取方法进行改进。将图像颜色信息融合到特征点的描述子中,提出了一种基于HSV颜色相似度的R-BRIEF描述子。使特征点具有更好的可区分性,有利于提高特征点的匹配率。同时引入了LSD线特征,在一定程度上缓解了基于点特征的SLAM系统在缺乏纹理特征的环境中容易跟踪失败的问题。其次,本文提供了一种基于视觉里程计的激光点云畸变校正方法,同时提出了一种更加稳健的视觉点线特征与3D激光点云数据深度融合的方法。本文通过对特征点附近的激光点云进行多平面拟合,求出特征点对应的3D空间点所处的三维平面,然后根据平面与直线的交点确定特征点所对应的3D空间点的坐标。对于线特征,则是通对激光点云的进行直线拟合以及非线性优化的方式确定其对应的三维空间直线方程。然后,本文对回环检测算法进行了改进,提出了一种基于颜色直方图和点线词袋模型的二级回环检测方法,能够在一定条件下提高回环检测速度和准确率。另外,针对基于特征的视觉SLAM算法无法实时构建用于导航的概率地图的问题,本文利用激光点云数据,能够实时构建2D占用栅格地图和3D八叉树地图,使SLAM系统能够直接用于2D和3D导航。最后,在TUM和KITTI公开数据集上对本文算法的有效性进行了实验验证,并与其他开源算法进行了对比。实验结果表明,本文算法能够有效地提高SLAM系统的定位精度,并且能够实时构建用于导航的概率地图。