随着智能机器人技术的发展,轮式移动机器人逐渐走进我们的生活,出现在商场、车站和医院等场所。为了提高轮式机器人的自主移动能力,研究轮式机器人SLAM（Simultaneous Localization and Mapping）算法具有重要意义。近些年,视觉SLAM凭借相机价格低廉、信息丰富和安装方便等优点,逐渐应用于轮式机器人。但是,在低纹理和机器人转向等场景会出现精度下降和跟踪丢失的问题。针对这些问题,本文研究并改进了基于点特征的RGB-D SLAM和基于多传感器融合的单目SLAM,主要工作如下:（1）为了验证改进算法性能,设计和搭建了两轮移动机器人平台。该平台采用PC、树莓派、伺服驱动器三级控制和驱动模式;配备了视觉惯导相机、编码器和激光雷达。为了减少测量误差,对视觉惯导相机进行了校准,对相机内参数和各传感器外参数进行了标定。基于ROS（Robot Operating System）设计与开发PC和树莓派应用层软件,完成了遥控机器人移动、传感器数据采集和SLAM算法运行任务。（2）针对基于点特征的RGB-D SLAM在低纹理场景跟踪丢失的问题,在ORB-SLAM2的RGB-D深度相机版本上,提出融合点、线和面特征的改进算法。首先,在ORB-SLAM2的视觉里程计中,引入线和面特征,与原有点特征一起构造目标函数,使用非线性优化方法最小化目标函数估计当前帧位姿,改善跟踪效果。然后在后端优化中,从线和面特征中提取曼哈顿坐标系,与点、线和面特征一起构造目标函数,使用非线性优化方法最小化目标函数优化局部地图中关键帧位姿、点、线和面的位置,基于局部地图优化和混合曼哈顿世界假设减少累积误差,提高算法的精度和重建效果。实验表明,改进算法在低纹理场景跟踪效果较好,提高了算法的鲁棒性、定位精度和重建效果,但实时性有所降低,在特征稀疏和机器人转向等更具挑战性场景出现精度下降和跟踪丢失。（3）针对多特征融合改进算法在特征稀疏和机器人转向等更具挑战性场景中出现精度下降和跟踪丢失的问题,提出融合单目相机、IMU（Inertial Measurement Unit）和编码器的改进VINS-Mono算法。在VINS-Mono初始化和后端优化的目标函数中,增加编码器测量误差项,直接融合由编码器数据计算的速度,增强尺度可观性,降低定位累积误差,提高定位精度。另外,针对车轮打滑造成编码器速度测量不准的问题,利用IMU角速度计测量值计算打滑因子,自适应调整编码器误差项在目标函数中的权重及其鲁棒核函数阈值,减小车轮打滑对定位结果的影响。实验表明,改进算法保留了VINS-Mono的实时性,定位精度提高了一个数量级,且适用于特征稀疏、机器人转向和3D场景,具有较强的鲁棒性。（4）在室内和室外场景中进行实验,对比了两种改进算法应用于两轮移动机器人的性能。实验结果表明,多特征融合改进算法在常规室内场景中能准确估计轨迹,具有较好的重建效果,适用于常规室内场景;但在特征稀疏和室外场景出现精度下降和跟踪丢失。而多传感器融合改进算法在室内和室外场景中都获得了较高的精度和鲁棒性,适用于室内和室外场景。