同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人领域的关键技术之一,是实现机器人自主移动与导航的前提,拥有广泛的应用前景。目前,大部分视觉SLAM系统都时基于场景中的点特征,然而点特征对环境依赖很大,在低纹理场景下会存在诸多问题。在结构化环境中,存在着丰富的线特征,可以弥补点特征不足带来的缺陷。本文利用深度相机提出了一种基于点线特征融合的视觉SLAM系统,以此来改善其在低纹理等场景下的不足,提高SLAM系统的鲁棒性。本文的主要研究内容包括:(1)首先介绍了课题的研究背景与意义,并且阐述了SLAM的发展历史与视觉SLAM的研究现状,接下来介绍了视觉SLAM的相关技术,包括SLAM的状态估计问题、相机的相关模型等,最后介绍了经典视觉SLAM框架,其中包括视觉里程计,后端优化,回环检测,地图构建。(2)本文提出一种基于点线特征融合的RGB-D SLAM方法,旨在解决基于纯点特征的方法中存在的点特征不足、运动抖动、低纹理等问题。首先,提出了一种自适应阈值的线段提取方法来解决LSD线段提取方法的重叠及分支问题;其次,在线特征匹配环节引入了一种更加严苛的线特征误匹配筛选机制,提高线特征匹配的正确率;在优化部分,构造了基于点线的重投影误差综合模型,进一步优化相机位姿;最后,提出了一种模糊帧自主检测与处理方法,改善跟踪过程中相机抖动带来的跟踪丢失问题,提高SLAM系统的跟踪成功率和可用性。在TUM RGB-D数据集上进行了实验,通过与ORB-SLAM2进行对比,结果证明了本文方法的可行性和有效性。(3)关键帧对于相机位姿的优化有着很强的约束作用,本文针对当前关键帧筛选方法存在的不足,提出了一种基于多重机制的关键帧选择方法。首先,结合地图点和线特征匹配情况等制定基于共视图的关键帧筛选策略,得到第一重关键帧,用于局部位姿的优化和回环检测;接下来在第一重关键帧基础上,定义距离评价公式,筛选得到第二重关键帧,用于实现本章点云地图的实时构建,相比于稀疏地图,稠密点云地图能充分反映场景结构。最后在TUM RGB-D数据集上分别在关键帧轨迹误差,关键帧数量及点云地图构建效果这三个方面进行实验对比,证明了本文方法的有效性。