为了保持直接法的快速性与特征法的高精度和闭环能力，提出了一种融合直接法与特征法的RGBD同时定位与地图创建(SLAM)算法。该算法主要包含3个并行线程：跟踪线程、局部建图线程和闭环线程。在跟踪线程中对非关键帧进行跟踪，通过最小化光度图像误差来进行相机的初始位姿估计以及像素点的对应关系计算，利用最小化局部地图点重投影误差进一步优化相机位姿，实现快速准确的跟踪与定位；在局部建图线程中对关键帧进行提取并匹配ORB特征，执行局部BA(光束平差法)，对局部关键帧位姿和局部地图点的位置进行优化，提高SLAM的局部一致性；在闭环线程中执行对关键帧的闭环检测和优化，从而保证SLAM全局一致性。另外，根据RGBD图像和相机位姿信息，通过基于Octomap的建图框架，构建完整准确的3D稠密环境地图。在TUM数据集下的实验表明，所提出的方法可以得到与基于特征法相当的精度，且所需时间更少。

基于航位推算方法定位的车载测绘系统(VBMMS)可以有效地解决使用全球导航卫星系统(GNNS)定位带来的系统失锁问题。但当系统采集空间三维信息时，由于航位推算方法的误差积累，会造成较大的系统定位误差，严重影响最终的测绘精度。针对此问题，提出了利用同步定位及地图创建(SLAM)的算法对系统进行位姿矫正。从激光点云中提取出准确的特征信息是实现系统同步定位及地图创建的前提，结合室内结构化环境的特点，提出一种基于角度阈值的提取直线特征的算法。将算法应用到自主研发的车载移动测图系统中，实现了快速准确的直线特征提取，实验结果证明了该算法的有效性。

为了解决车载移动测图中全球卫星定位系统(GPS)失锁及无GPS导致的导航定位问题，提出了一种利用水平布设二维激光扫描仪和里程计结合的快速同步定位及地图创建(SLAM)方法。在详细分析车载移动测图系统定位误差来源的基础上，科学合理地设置系统的预测参数及重预测参数，并给出了宽间隔预测及状态重预测改进后的卡尔曼滤波算法。在不损失计算精度的前提下，提高了计算速度。利用上述算法在实验室环形走廊中进行了实验，实验结果证明了本算法的有效性。

针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题, 提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集, 建立联合目标状态变量; 通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计, 并利用粒子滤波实现PHD滤波。在进行目标状态提取时, 为避免聚类算法引入的误差, 对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息, 且避免了数据关联过程, 使系统状态估计更接近真实值。仿真实验结果表明：与传统SLAM算法相比, 新算法的机器人定位及环境构图精度提高了50%以上, 为杂波环境下SLAM问题的研究提供了新的途径。