视觉SLAM（Simultaneous Localization and Mapping）是当前计算机视觉领域的热点,广泛应用于无人驾驶、机器人和AR等。视觉SLAM高度依赖环境信息,若无法提取到足够的特征或无法稳定地进行图像间的跟踪,就可能导致系统定位失败。由于人造的结构化环境中,可以提取到丰富的线特征,在视觉SLAM中提供更多的场景信息,同时在建图过程中,点线融合视觉SLAM构建的地图可以更加能恢复真实场景结构。本文提出了一种基于RGBD传感器的点线融合SLAM,同时在前端图像中提取点特征和线特征,在前端位姿求解和后端优化的过程中,都使用点线特征联合优化,提高视觉SLAM在低纹理环境中的定位精度和鲁棒性。在视觉SLAM中常见的相机位姿估计方法有特征法和直接法,由于点线特征在特征提取和描述子计算匹配过程较为耗时,本文尝试使用词袋模型和直接法减少线特征在跟踪环节中时间消耗。本文提出在前端中使用点线特征的半直接法,并比较了基于特征描述和半直接法特征匹配的两种前端位姿估计方法。同时,使用点线特征进行非线性优化,尤其是在局部光束平差法和全局优化光束平差法,相比于单个特征对象较多且误差较大。本文提出了优化过程中的解析解,并与数值解进行优化时间的对比。在本文中,线特征不仅仅在前端位姿估计中使用,而且也应用于后端建图线程和闭环检测环节。在后端优化环节中,需要对前端传递过来的关键帧和3D点线特征进行进一步的筛选和优化。常见的优化方法有局部光束平差法、全局光束平差法和位姿图优化等。本文在相应的数据集中对光束平差法和位姿图优化方法分别进行了验证,结果表明通过上述的优化方法对后端优化有明显的改善。同时本文对点特征、线特征和点线特征不同特征实现SLAM算法进行验证,实验结果表明点线融合SLAM相对于其他单一特征在精度上有明显的优势。在视觉SLAM后端构图中,本文提出了基于点线特征的构图方法,其中着重比较点线特征与单纯点特征进行三维重建的区别,在数据集和实际环境中都进行了建图测试,结果表明使用点线特征进行三维重建更加贴合实际场景结构。在构图环节中,由于本文使用了 RGB-D传感器,也尝试了其它的构图方法,例如稠密建图、半稠密建图和Octomap建图。最后,在公开标准数据集中测试了点线融合视觉SLAM,并与其它一些视觉SLAM进行了对比,实验结果表明本文提出算法有更好的定位精度。最后,本文对所开展的研究工作进行总结,并展望今后的研究内容。