随着移动机器人同时定位与建图（Simultaneous Localization and Mapping,SLAM）技术的发展,传统单一传感器因自身存在的局限,如相机对光过于依赖,惯性测量单元（IMU）存在累积误差等,已经逐渐无法满足现实对SLAM的需求。针对上述问题,本文提出了基于因子图优化的多传感器融合的定位算法;进一步为了解决点云地图无法直接用于移动机器人导航与避障研究的问题,提出了基于3D目标识别的物体级语义地图构建算法。具体研究内容如下:首先,针对特征点的提取效果会影响里程计估计的精度问题,提出了基于饱和自适应函数的曲率滤波雷达特征点提取算法。利用曲率计算公式计算激光雷达扫描点的曲率,通过设置曲率阈值将雷达扫描点分为了平面特征点和边缘特征点。为了剔除与激光雷达扫描线接近平行的平面上的特征点和被遮挡的特征点,在曲率计算公式的基础上融入了饱和自适应函数,执行基于曲率的特征点滤波,有效剔除了特征点提取中的瑕点。实验结果表明,滤波后前端里程计绝对位姿误差较滤波前有明显降低,证明了算法的有效性。其次,为了解决单一传感器给位姿估计带来的不可避免的偏差,提出了一种多传感器融合构建因子图的联合优化算法。所提算法将相机、雷达、IMU和GPS信息进行融合。该算法可分为视觉惯性GPS系统和雷达惯性系统两个部分,前者利用图像、GPS和IMU信息得到视觉里程计,后者利用雷达和IMU信息得到雷达里程计。然后利用因子图联合优化雷达里程计约束、视觉里程计约束、GPS约束和IMU预积分约束。实验结果表明,所提算法使得机器人的定位精度较基准算法有大幅提升,证明了算法的可行性与精确性。最后,针对点云地图无法用于机器人导航与避障研究的问题,提出了基于3D目标识别的物体级语义地图构建算法。该算法将目标识别网络提取的三维检测框与根据定位算法生成的半稠密点云地图进行时间同步,然后利用定位算法计算的里程计将三维检测框转换到世界坐标系,检测并剔除重合的检测框,保证一个物体只有一个检测框,最后生成一个带有3D检测框的半稠密点云地图。该地图可以为机器人导航与避障研究提供重要基础。实验结果表明,所提算法能够精准快速的识别物体,并建立较为精确清晰的3D物体级语义地图。