即时定位与地图构建（Simultaneous Location and Mapping,SLAM）技术是目前移动机器人领域的研究热点。SLAM主要完成在没有先验知识的前提下实时估计移动机器人自身在环境中的位姿,并根据估计的位姿进行地图重建。目前大多数特征SLAM方法都是基于特征点,但在纹理稀缺、光照变化大的室内环境中仅基于特征点的SLAM方法位姿估计精度会降低甚至位姿跟踪失败。针对上述问题,本文利用室内环境中点线面特征及曼哈顿世界,提出了一种基于曼哈顿世界和点线面特征综合的RGB-D SLAM算法,可用于室内环境的位姿估计和移动机器人室内导航。本文的主要工作内容为:（1）改进图像中的线特征提取和匹配过程,对提取的断裂、重复的线段进行合并,并利用图像间线段的成对几何属性和局部外观相似性改进图像间的线特征匹配,提高线特征的匹配精度;改进地图线的提取、重投影和更新过程,提高地图线的可靠性。（2）提出了基于点线面特征的位姿估计方法,采用正交参数化和普吕克参数化表示地图线,采用球坐标参数化表示平面,给出线特征和面特征的观测模型并推导出对应的雅克比矩阵,并在优化中增加垂直平面和平行平面对位姿的约束,提高位姿估计精度。（3）提出了基于均值漂移聚类算法和正交平面法相结合的曼哈顿坐标系提取方法以及基于曼哈顿坐标系的旋转估计,在曼哈顿世界场景下基于曼哈顿世界进行无漂移旋转估计,位移部分通过点线面特征跟踪,在非曼哈顿世界场景中,位姿估计切换回点线面特征跟踪,提高了曼哈顿坐标系提取的可靠性和位姿估计精度并扩展了算法适用场景。（4）提出了基于点线面特征观测信息的特征置信度,并把特征置信度加入到重投影误差方程中,从而降低不可靠的特征带来的干扰,进一步提高位姿估计的精度。（5）设计并构建了一套完整的基于曼哈顿世界和点线面特征的RGB-D SLAM系统,包括点线面特征提取及匹配、基于曼哈顿坐标系的旋转估计、位姿跟踪、局部建图、闭合回环以及地图重建,实验表明该系统具有较高的位姿估计精度和地图重建精度。（6）搭建手持平台和移动机器人平台,在实际室内场景中录制实验数据集,并在这些实际场景数据集上验证了本文提出的SLAM系统具有较好的可靠性和鲁棒性。