SLAM（Simultaneous Localization and Mapping,即时定位与建图）技术是智能移动机器人中关键的技术之一,在智能移动机器人导航问题中起着关键作用。语义SLAM也是目前研究的重点之一,是高级人机交互和实现智能决策的基础。本文为解决二维激光SLAM大场景和相似环境下容易出现累计误差和定位难,以及纯视觉SLAM在鲁棒性差,局部误差大的问题,提出一种融合单线激光、双目相机传感器紧耦合的SLAM算法。将不同传感器各自的优势有效结合,获得更加丰富的环境特征,实现高精度的同步定位与地图构建。为验证本文算法的有效性,对本文提出的算法搭建了实验平台进行验证。主要研究内容如下:1.针对传统局部立体匹配算法精度差的问题,提出一种融合Census和灰度直方图的双目立体匹配算法,提高立体匹配精度的同时极大地减少了计算时间。经实验证明本文算法比Census算法在效率上提高了51%,视差精度上提高了1.65%。2.传统以点特征为基础的视觉里程计,在弱纹理环境下,由于特征点减少容易出现误匹配,导致误差增大。为此,提出一种点线特征融合视觉里程计的计算方法。以线特征作位姿计算,以点特征为约束对位姿进行优化,可以极大地减少误差。本文算法在TUM数据集中位姿轨迹误差为4.3%,而ORB点特征里程计的误差为9.8%。3.针对没有发生回环的情况下,消除SLAM系统累计误差问题,提出一种视觉激光融合定位建图的方法。首先,结合激光信息和视觉信息的优缺点,用视觉里程计做先验估计,结合2D激光与二维地图做扫描匹配,通过高斯牛顿法得到最优后验估计,消除局部累计误差,进一步提高里程计精度。其次,采用视觉词袋模型做视觉回环检测,用图优化的方法对轨迹和位姿作全局优化。经实验证明,本文提出的视觉激光融合定位建图的方法,比Cartographer、ORB-SLAM等SLAM系统更具稳健性和鲁棒性。4.为使机器人能完成更高级别任务,在视觉激光融合定位建图方法基础上,采用yolov5深度学习框架,对机器人周围的目标环境进行筛选和识别。在识别到的图像框中,采用Canny检测、形态学处理以及点云聚类对点云进行分割。在构建地图过程中,通过点云分割对目标赋予语义信息,并构建三维语义地图,使得机器人能够胜任更高级的任务。实验证明:本文提出的语义分割方法比基于深度学习的方法具有同样的精确度,但速度提高了50%。