同步定位与建图技术（Simultaneous Localization and Mapping,SLAM）对于无人车和无人机都具有非常重要的意义,它保障着机器人的安全导航。随着传感器技术的不断进步以及计算机性能的提升,使得多传感器数据融合成为SLAM系统的主流。激光雷达,惯性测量单元和视觉摄像头作为最常用的三种传感器,在SLAM系统中发挥着重要作用。然而就目前的传感器融合方法而言,特征退化,光照,剧烈运动,里程计漂移,动态物体等多种不利因素常常使SLAM系统失效,其鲁棒性还远远不能满足使用需求。针对上述问题,本文设计了基于旋镜式激光雷达的激光-惯性-视觉（LIC）多传感器系统,综合利用各个传感器的优势,实现多种运动模式下稳定的状态估计和地图构建。借助旋镜式激光雷达的高密度点云和与相机相近的视场,将点云投影到图像平面,基于Delaunay三角剖分算法求解局部平面以拟合深度信息,可获取实时的半稠密深度图,从而使视觉特征点具有深度信息。为实现无先验知识条件下的任意运动模态系统初始化,提出利用特征深度关联模块和传统视觉集束调整融合的方式,即深度增强的集束调整,在运动较小或纯旋转的情况下也可以求解初始化帧位姿,避免优化问题发生退化的现象。为抑制初始化过程中点云畸变带来的影响,设计了基于两视图初始化和滑动窗口初始化的两步初始化算法。利用带有深度信息的视觉特征恢复前两帧的位姿,用于纠正点云畸变。通过优化多帧点云和图像构成的约束,形成初始化阶段的滑动窗口。通过视觉IMU对齐过程,求出各帧速度和重力方向,最后根据预积分约束优化IMU偏置,从而完整的估计系统状态。为提高前端跟踪应对各种场景的鲁棒性,减少里程计漂移,设计了基于多约束滑动窗口的里程计模块,综合考虑各种约束,使系统得以应对各种特征退化的场景。实验证明,特征深度关联算法和深度增强的集束调整对系统的鲁棒初始化具有关键作用,可以使系统准确的估计初始状态。