随着智能机器人技术的蓬勃发展,复杂场景下的定位与建图对传感器的要求也越来越高。根据不同传感器的特性,在应对不同场景时可以选择相应的传感器:单纯采用视觉传感器对场景的纹理特征以及运动速度有一定的限制,但是视觉传感器可以提供丰富的场景信息。双目立体相机既可以解决单目相机没有尺度的问题,又可以避免RGBD相机在室外被光照干扰的问题。GPS（Global Position System）可以实时获取自身的绝对位置,但是在高楼树林里GPS信号很容易被遮挡,进而导致定位失败。视觉和GPS传感器在使用场景上可进行互补。IMU（Inertial measurement unit）能够在快速运动的状态下获得自身姿态信息,但是随着时间的推移,IMU会产生积分累积误差。通过IMU运动模型来预测自身姿态,利用视觉传感器和GPS对其位置进行修正可以应对复杂场景。有了良好的姿态信息以后,可以进行地图构建来判断环境周围的障碍物,但是当前大多数视觉SLAM（Simultaneous Localization And Mapping）只提供了姿态信息和稀疏点云地图,而稀疏点云地图对周围环境的描述能力有限,所以可以充分利用视觉信息来对周围环境进行描述。基于此做了以下研究:（1）提出了基于视觉里程计的相对状态更新扩展卡尔曼的VI-rel方法。为了给视觉刚体运动提供一个很好的刚体先验约束,通过将VO（Visual Odometry）与IMU通过紧耦合的方法建立联合优化目标函数,求解姿态并保存。从保存的姿态里面找一个先前的姿态添加到IMU预测的状态中,建立增广状态矩阵,并对预测模型的雅各比矩阵进行推导。利用此刻的VO测量姿态与之前添加到状态矩阵的姿态构建相对测量模型作为EKF的观测模型进行更新,并推导了观测模型的雅各比矩阵。最后在EuRoC数据集上实验表明本文算法轨迹与真值比较接近,经evo工具分析,在MH＿02＿easy场景下的RMSE为0.153238。在V1＿02＿medium复杂场景下的RMSE为0.240838。（2）提出了基于GPS绝对状态更新扩展卡尔曼的IG-abs方法。GPS与IMU采用松耦合的EKF数据融合方法,IMU对刚体运动状态预测,提供预测方程,GPS提供观测方程更新预测状态,但是GPS测量会由于受到多径效应等干扰出现异常值,导致观测值误差很大。通过当前卫星数量来判断GPS测量值是否可靠,但该方法效果并不明显。故可以通过预测残差平方和与观测残差平方和增量是否异常来判断更新后的状态是否可靠,通过实验与GPS测量值对比,平均误差大约在1.02m到2.54m。（3）提出了基于ORB-SLAM2的二维占据网格地图构建的VO-Scan方法。目前大多数视觉SLAM都只输出姿态信息与周围环境的稀疏点云地图,对周围环境的描述效果有限,但是可以利用输出的姿态信息与环境深度信息构建二维网格地图来对周围环境进行描述。将双目立体相机提供的深度图转换为ROS平台下Scan格式的数据,同时通过ORB-SLAM2提供姿态信息,二者结合来构建二维占据网格地图。并建立与双目视觉相关的逆传感器模型来更新占据概率。最后在ROS平台下实验并与真实环境对比表明,可以构建可提供判断周围障碍物的二维占据网格地图。