近年来,移动机器人在灾难救援、工业制造、家政服务等领域得以广泛应用。解决精确定位和建图问题是机器人实现自主导航的前提,同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)作为移动机器人实现自主导航的基础,其定位与建图的鲁棒性和准确性显得尤为重要。激光雷达、摄像机等传感器是移动机器人获取自身运动信息与感知环境信息的重要途径,但是受传感器自身获取环境信息能力的限制,目前基于单一传感器的SLAM系统难以保证在各种未知场景下获得可靠的环境特征,容易造成位姿跟踪失败并影响建图质量,因此需要设计基于多传感器数据融合的SLAM方案,以弥补单一传感器的不足。此外,由于三维激光雷达体积大、成本高,不适合用于小型移动机器人平台,因此如何利用二维激光构建三维环境点云地图也是一个值得探索的问题。本文在现有的多传感器融合SLAM方法的基础上,提出了一种新的基于多模态传感器数据的移动机器人SLAM系统设计方案,利用扩展卡尔曼滤波(extended Kalman filter,EKF)的方法,融合惯性测量信息、视觉SLAM定位数据和二维激光数据,实时地构建出三维环境地图,并提高了SLAM系统的鲁棒性和准确性。基于扩展卡尔曼滤波方法,本文设计并实现了融合惯性测量单元(IMU)数据的视觉SLAM定位方法,IMU数据用于位姿的预估过程,视觉SLAM定位的核心计算部分处于EKF的校正阶段,将预估值作为视觉SLAM的定位初始值进行优化问题求解并将视觉SLAM的定位结果作为观测值进行校正,获得EKF的定位结果。结合该定位结果,对二维激光雷达所获取的环境深度信息进行投影、坐标转换、聚合等一系列处理,获得与视觉SLAM中的关键帧相对应的点云单元,从而增量地构建出三维激光点云地图。本文使用运行开源机器人操作系统ROS的地面移动机器人作为实验平台,在该平台上安装惯性测量单元、RGB-D相机以及二维激光雷达以获取自身运动信息和环境特征信息,在实验室真实场景下进行定位与建图实验。实验和测试结果表明,融合IMU的视觉SLAM可以更加鲁棒地获得准确的定位结果,结合定位结果利用二维激光数据可以实时地构建准确的三维激光点云地图。