同时定位与建图（Simultaneous Localization and Mapping,SLAM）旨在解决机器人在未知环境中完成定位并同步创建地图的问题,是机器人开展后续导航规划、自动驾驶、执行各种复杂任务的基础。近年来,单机器人激光SLAM和视觉SLAM得到了很大的发展,但在应对大尺度室内环境下时,仍然存在效率低下、定位漂移等问题,难以完成快速并精准建图工作。基于空地多机器人系统的SLAM解决方案拥有更广的环境覆盖面,探索适应环境的能力更强,且数据匹配更加多元化,可以较好实现机器人功能互补,能有效解决单机器人面对复杂环境的任务规划感知能力薄弱的问题。本文对空地多机器人SLAM的特征提取、数据关联和地图融合等问题展开研究。首先,介绍了单机器人主流的SLAM方法。分析拓扑地图、点云地图以及栅格地图之间的优缺点,选择用三维（Three Dimensional,3D）立体栅格地图Octomap描述环境。对比几种主流的激光SLAM和视觉SLAM方法的优劣,包括GMapping、Loam和Cartographer,以及LSD SLAM和RGBD SLAM等,最终分别选择基于scan-to-submap的Cartographer和基于ORB特征的RGBD SLAM作为地面机器人（Unmanned Ground Vehicle,UGV）和无人机（Unmanned Aerial Vehicle,UAV）的单机器人 SLAM 研究基础。其次,提出基于滑动窗口的立体栅格地图角点提取方法和基于最大公共子图（Maximum Common Subgraph,MCS）的地图融合方法。以占据栅格为中心建立滑动窗口,针对角点问题构建评价函数,计算三维卷积值并使用主成分分析（Principal Component Analysis,PCA）确定参数区间,完成对地图的特征提取。基于Delaunay三角剖分方法划分特征点并构建初始匹配,寻找拥有最大公共子图的最优解,根据奇异分解计算出最佳的变换矩阵来完成机器人子地图之间的栅格地图融合。再次,分析了基于最大公共子图的空地多机器人地图融合方法的局限性,根据UGV和UAV所创建子地图的特点,建立融合视觉特征的空地多机器人子地图数学模型。基于子图模型构建多重约束条件,使用基于LM法的优化方法得到全局最优解,完成UGV和UAV子地图之间的数据融合,最终实现空地多机器人的全局地图构建。最后,利用UGV和UAV搭建实验平台,在多个实验场景中开展实验和利用公开数据集验证本文所提空地多机器人SLAM方法的有效性。