大规模场景的地图构建是地图测绘的重要任务之一,为自动驾驶、导航定位等提供重要的数据基础。然而地图测绘需要多种高精度传感器以及巨大的人力物力,制图效率较低。近年来,基于SLAM(Simultaneous Localization and Mapping)系统的建图方法受到学者们的广泛关注,但是受限于硬件基础和高计算复杂度使得在面对大场景的地图构建时存在极大的挑战,同时建图的结果由于稀疏特性无法应对稠密场景的需求。因此本文针对现有的SLAM系统的部分弊端进行研究,在保证建图精度的前提下,设计实现多区段地图融合算法完成地图一致性融合,并结合深度信息完成场景的稠密重建。论文的主要工作如下:首先,在整体系统方面,为了解决纯视觉SLAM系统的数据单一性,增加了惯性测量数据,利用迭代扩展卡尔曼滤波算法将视觉信息与惯性测量信息紧耦合的VIO(Visual-Inertial Odometry)作为SLAM系统的前端,完成对相机姿态和路标点位置的最大后验估计,运用三角计算映射三维路标点,获得目标场景的点云地图。其次,对于多区段地图的融合,分析了经典的ICP(Iterative Closest Point)点云配准算法的原理,并基于逆序复索引的特征匹配算法搜索不同区段的重叠部分,结合描述子映射和乘积量化的策略提高匹配搜索的速度,使用图优化方法对加入了闭环约束的位姿图进行优化,关闭地图间的闭环,融合重叠的路标点,获得全局一致的大尺度地图。增加关键帧检测和路标归总策略压缩地图,保证地图信息丰富度的同时降低地图的数据规模。最后,为了应对稠密场景的需求,使用构建的地图中相机帧的位姿以及路标点的位置信息,结合传感器测量的深度信息,使用TSDF(Truncated signed distance function)模型算法完成对地图的稠密重建,生成目标场景的稠密模型。