同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术用于解决机器人在未知环境中的定位和建图问题,是实现机器人自主定位的关键技术,对机器人踏入实际应用领域具有重要意义。近年来,视觉SLAM技术依靠相机的成本低、获取信息量丰富等优势,成为研究热点。数据关联是SLAM系统的核心技术,旨在寻找观测信息与环境地图的对应关系,稳定准确的数据关联是SLAM系统准确定位、精确建图的前提。本文以提高数据关联准确性为目的,从线特征和显著性图两个角度展开研究。现有的特征法SLAM主要依靠在场景中均匀提取特征点来与环境建立关联。主要存在两个问题:一方面,特征点稀疏易导致数据关联失败,而走廊、结构化道路等环境虽缺乏点特征,却存在丰富的线特征,可构建基于点、线特征的数据关联算法,在点特征匮乏时利用线特征完成数据关联;另一方面,场景中存在一些高显著性区域,这些区域中的特征点对于视角、光照的变化更加鲁棒,可以通过建立一种区域选择机制,选择更易实现正确数据关联的特征点。基于此,本文提出以下创新:1、针对现有点线SLAM算法将点、线特征处理过程完全分离的现象,引入基于点线不变量的线特征关联方法,直接借助特征点匹配结果完成直线匹配,加强了点线特征的耦合性,降低了系统用于直线匹配的资源消耗;2、针对线特征匹配精度整体低于点特征的情况,构造系统重投影误差时,根据特征点稠密程度分配点、线特征误差所占权重,形成点特征为主、线特征为辅的数据关联方法,可规避线特征低匹配精度带来的消极影响;3、针对现有的无差别提取点特征的处理方式,引入基于显著性图的特征提取方案,通过输入图像的显著性和语义信息获取显著性图,根据区域显著性高低来规划特征点的提取位置,保证显著性高的区域提取尽可能多的特征点。实验表明,两种改进的数据关联方法均能提高系统跟踪的精度和鲁棒性,并保证良好的实时性能。