随着社会的发展与科技的进步,无人车逐渐走入人们的生活。在无人车系统的研究中,同时定位与建图（Simultaneous Localization and Mapping,SLAM）技术是解决无人车定位的主要研究方法之一。相机由于其成本低、特征信息丰富的特点,在SLAM技术的研究中具有广泛的应用,但是相机容易受天气、环境、载体运动状态的影响,因此本文主要研究了基于多传感器融合的视觉环境建模与定位算法,以提高无人车定位的精度与鲁棒性。本文的主要工作内容如下:（1）首先本文对SLAM的理论基础与相机模型进行了介绍,并基于视觉SLAM框架分为视觉前端里程计、后端优化、回环矫正、稀疏地图等四个方面对本文所采取的方法及策略进行了叙述。（2）提出了轮速脉冲-视觉-惯性紧耦合SLAM算法。首先,由于视觉SLAM在相机抖动、纹理特征不丰富的场景下定位容易丢失,而相机和惯性测量单元（Inertial Measurement Unit,IMU）之间又有良好的互补性,因此本文设计了视觉-惯性紧耦合SLAM算法。其次,针对无人车在实际中匀速运动时无法为IMU提供充分的加速度激励,从而导致单目视觉惯性SLAM初始化时尺度不确定性的问题,本文提出了轮速脉冲-视觉-惯性紧耦合SLAM算法,不仅可以有效改善系统尺度初始化不确定性问题,而且提高了系统的定位精度与鲁棒性。（3）提出了地图保存与复用算法。针对无人车在已建模环境中重复运行完整的SLAM,会造成运行内存浪费的情况,本文提出了地图保存与复用算法。只需要在未建模的环境中将初次运行SLAM后得到地图进行保存,下次开机可直接加载地图并在其中定位,这大大降低无人车定位对运行内存的耗费,并且提高了实时定位的精度。其次,基于以上实时高精度的定位设计了离线点云重建算法,对环境进行稠密重建,改善了地图的可视化。（4）设计了基于视觉定位的无人车轨迹跟踪控制算法。首先由于轮速脉冲-视觉-惯性紧耦合SLAM算法可提供实时的高精度定位,因此本文将视觉坐标系下的SLAM定位信息转换为导航坐标系下的里程计用于无人车的导航。然后,结合本课题的四轮差分无人车平台,设计了基于视觉的轨迹跟踪控制算法,实现了无人车对期望轨迹的平滑跟踪。（5）搭建了无人车平台,将提出的算法编写程序并在无人车上进行实现,然后对提出的算法进行实验分析、评估、对比。对于提出的轮速脉冲-视觉-惯性紧耦合SLAM算法,本文选择了在多个场景下进行实验。通过与轮式里程计、单目视觉SLAM以及2020年提出的ORBSLAM3单目视觉惯性SLAM作对比,不仅验证了本文算法的有效性,而且展现了本文算法在定位精度、鲁棒性等方面具有的优势。对于提出的地图保存与复用算法,也在多个场景下进行实验,并与同样有地图保存与复用功能的VINS-Mono算法从地图大小、保存时间、加载时间等多个维度进行对比,显示了本文算法的优点。最后,基于视觉的无人车轨迹跟踪控制算法、点云重建算法都在无人车平台进行了编程实现,并在实际环境中进行了实验验证。