同时定位与建图（Simultaneous Localization and Mapping,SLAM）是通过对传感器信息的处理,在未知环境中对移动机器人进行定位,并建立环境地图的过程。近年来,随着移动机器人在家庭服务、自动驾驶等领域的应用,SLAM技术也随之得到广泛的研究和发展。基于环境特征的机器人位姿求解与环境建模,是SLAM技术的主要实现途径。面向复杂多样的作业场景,不同种类的特征有着各自的优势和不足。特别是在结构化环境下,存在点、线、面等多模态特征,如何有效地组织、利用和融合这些特征,提升移动机器人对未知场景的适应性,逐渐成为SLAM领域的研究热点。本文针对结构化环境下多模态特征无缝融合的移动机器人同时定位与建图问题进行研究,首先提出基于多假设框架的多模态特征混合关联算法,并针对多种模态特征对机器人位姿求解的约束进行分析,在此基础上,提出基于多模态特征无缝融合的机器人位姿估计算法。本文具体研究工作如下:（1）对SLAM中的多模态特征联合关联问题进行研究,提出基于多假设框架的面-线多模态特征混合关联方法,实现平面和直线两类高层几何特征的联合关联,基于此完成传感器位姿变换的解算。具体而言,设计基于多假设框架的假设树（Interpretation Tree,IT）结构及其构建方法,根据结点间一致性原则生成假设路径,对于每一条假设路径,增量式维护并更新一致变换模型（Consistent Transformation Model,CTM）。当IT结构构建结束时,即可同时获得特征关联问题以及位姿解算问题的封闭解。接着,提出多模态特征联合优化方法,对传感器位姿的求解结果以及特征参数进行进一步优化,并针对不同种类的几何特征,使用有针对性的参数化方法完成特征参数的更新。在联合优化的过程中,考虑特征提取及拟合过程中的参数不确定性,对各类特征在目标函数中的贡献进行自适应设计,有效降低参数不确定性的影响。公开数据集上的大量实验结果证明了所提方法的准确性和鲁棒性。（2）对传感器位姿求解问题的退化情况与特征空间分布的对应关系进行研究,并提出结构化环境下基于面-线多模态特征自适应融合的视觉里程计（Plane-Line-based Visual Odometry,PLVO）。首先,提出平面-直线混合关联图（Plane-Line Hybrid Association Graph,PLHAG）结构,充分考虑平面和平面、平面和直线之间的几何关系,全面刻画多模态几何特征的空间分布特性。然后,提出基于平面和直线主辅相济、自适应融合的传感器位姿估计方法。具体而言,基于平面特征空间分布与传感器位姿求解退化之间的对应关系,并根据直线特征的空间分布以及直线与平面特征之间的几何关系,提出直线特征自适应加权方法,利用直线特征对平面无法约束的位姿自由度进行补充,从而实现两类特征的融合,解决了传感器位姿求解时的退化问题。最后,通过公开数据集上的定量实验以及真实室内环境下的机器人本体实验,验证了所提方法的有效性。（3）针对基于面-线-点多模态特征无缝融合的SLAM问题进行研究。首先,提出平面以及直线特征参数的概率拟合算法,通过对传感器观测误差的建模与传递,降低了数据点观测噪声的影响,使得拟合的平面和直线特征参数对观测噪声具有更强的鲁棒性。接着,针对多模态特征对传感器位姿求解问题的约束情况进行严格地定量分析,在此基础上,提出基于面-线-点多模态特征无缝融合的SLAM方法,在充分利用环境结构信息的基础上,进一步增强了对视觉纹理信息的开发和利用,与此同时,提高了位姿求解问题的适定性（well-posedness）。通过公开数据集上的定量实验对比,证明了多模态特征无缝融合方法的准确性和有效性。