近年来,SLAM技术已经在移动机器人中得到了广泛的应用。目前基于激光雷达的SLAM系统或基于视觉的SLAM系统在一些特定的应用环境中已经达到了非常高的精度。但是这类基于单一传感器的SLAM系统均存在天然缺陷,例如长隧道环境下激光SLAM退化以及黑暗环境中视觉SLAM无法运行等,这些问题制约了移动机器人的进一步发展。考虑移动机器人在复杂场景下的定位需求,本论文主要研究了融合IMU、多线激光雷达和单目相机紧耦合的SLAM方法。该方法首先获取来自三个传感器的原始数据,预处理之后构造激光惯性里程计和视觉惯性里程计。根据IMU预积分因子、激光里程计因子、视觉里程计因子和回环因子构造因子图进行全局优化,获取全局位姿估计和全局一致的点云地图。论文主要研究内容如下:首先,对传感器内外参数进行标定并对数据进行预处理。标定了相机内参、畸变系数以及IMU的噪声和零偏。通过开源库对多传感器的外参进行标定。针对激光雷达运动产生的畸变问题,使用高频的IMU测量进行校正。针对视觉惯性里程初始化问题,采用视觉SFM和IMU预积分对齐的方式完成初始化。其次,本文设计了激光惯性里程计和视觉惯性里程计。对于IMU预积分因子,分析了IMU测量模型,以欧拉积分形式离散化推导出IMU预积分模型,分析了IMU误差的传播,推导了协方差递推公式,最后给出了IMU预积分因子的残差表达形式。对于激光里程计因子,提出了通过分层提取的方式获取点云边缘和平面特征点,使用帧到局部地图的方式进行特征匹配构造激光惯性里程计。对于视觉里程计因子,使用光流法对提取到的特征点进行跟踪,并将视觉特征点与点云关联起来获取深度构造视觉惯性里程计。然后,设计了回环检测与全局优化模块。针对激光雷达回环方式检测准确率低的问题,设计了视觉回环和激光回环相结合的回环检测方法,使用ICP算法对当前帧与回环关键帧进行配准,构建回环约束因子。针对全局地图更新计算开销大的问题,构建了因子图,根据新引入的位姿估计来增量式地更新地图。通过因子图优化更新系统的位姿和IMU的零偏,并将其重新传给前端里程计更新IMU预积分值,得到了全局位姿和全局一致的点云地图。最后,将提出的SLAM方法在KITTI、M2DGR数据集上进行了测试,并在校园环境下进行了验证,通过EVO工具对所设计的方法进行了评估,结果表明本文所设计的方法能够获得更高的定位精度。