单目视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是指机器人在没有先验信息的未知环境中运动时,根据自身搭载的单目相机传感器提供的数据,同时实现自身定位与环境地图构建的技术。单目视觉SLAM由于计算量较低,被广泛应用于小型低功耗的移动机器人平台,但是它鲁棒性较差,而且具有尺度不确定性。因此,将单目视觉信息与其他传感器信息相融合来实现精确鲁棒的定位是近年来的研究热点。本文在充分考虑各传感器特点的基础上,对基于多传感器信息融合的单目视觉SLAM算法展开深入的研究。本文的主要研究工作包括以下几个部分:第一,提出了一种基于EKF（Extended Kalman Filter）与图优化互补框架的单目视觉与惯性融合SLAM（Visual-Inertial SLAM,VISLAM）算法,提高了自由移动机器人在三维空间中的定位精度与计算代价比,实现了低代价、高精度的定位。该算法通过对每帧图像执行基于EKF的单目视觉与惯性融合里程计（Visual-Inertial Odometry,VIO）,提供了延时少的运动估计。其次基于选出的关键帧,该算法在并行线程中构建全局地图并采用滑动窗口图优化及闭环优化方法来对其进行优化,从而构建了全局一致地图。最后,提出了一种全局地图辅助的EKF反馈机制,并对关键帧附加执行该反馈机制来完成基于EKF的单目VIO的运动估计,从而提高了定位精度。实验结果表明,与基于EKF的单目VIO算法相比,该算法以近似的定位计算代价,实现了更高的定位精度。第二,提出了一种基于IMU信息辅助视觉点特征追踪方法的单目VISLAM算法,通过提升视觉点特征的追踪长度及精度,进一步提高了自由移动机器人在三维空间中的定位精度。首先,提出了一种IMU信息辅助的视觉点特征运动补偿方法,提高了视觉点特征追踪方法对相机快速运动的鲁棒性并增加了视觉点特征的追踪长度,进而使得单目VISLAM系统更好地利用了环境几何信息。其次,提出了一种基于多参考帧及多层图像块的视觉点特征对齐方法,提高了视觉点特征的追踪精度,进而提高了单目VISLAM系统的定位精度。实验结果表明,与采用经典视觉点特征追踪方法的单目VISLAM算法相比,该单目VISLAM算法通过提供更优的视觉点特征追踪结果,实现了更高的定位精度。第三,提出了一种基于图优化框架下融合轮式里程计与陀螺仪信息的单目视觉SLAM算法,提高了轮式机器人的定位精度及鲁棒性。首先,提出了流形空间上的轮式里程计与陀螺仪联合预积分模型,有效地解决了重复的轮式里程计与陀螺仪积分计算引起的计算代价增加问题。其次基于此预积分模型,构建了一个轮式里程计与陀螺仪联合预积分残差项,并将其紧耦合到了视觉优化框架下。接着,提出了一种简单的系统初始化方法来快速触发系统后续的运动估计。最后,提出了一种完整的运动估计机制,从而通过最大限度地利用单目视觉点特征、轮式里程计与陀螺仪信息,提高了系统的精确度及鲁棒性。实验结果表明,与前沿的单目VISLAM算法以及单目视觉与轮式里程计融合SLAM算法相比,该算法为轮式机器人提供了更精确鲁棒的运动估计。第四,提出了一种基于图优化框架下融合视觉点特征、三维线特征、地面线特征与轮式里程计信息的单目视觉SLAM算法,提高了轮式机器人在低纹理场景下的定位精度,并构建了结构化的地图。首先,提出了对地面直线的两种参数化方法及相应的几何计算方法,解决了过参数化的三维直线参数化方法导致地面直线估计不确定度增加的问题。其次,构建了紧耦合单目视觉点特征、三维线特征、地面线特征与轮式里程计信息的图优化方法,对三维直线和地面直线采用了不同的参数化方法。最后,提出了在系统的所有模块中对三维直线与地面直线的不同处理方法,从而在定位与建图过程中对两类直线均实现了最优利用。实验结果表明,相较于基于点特征或者基于点线特征的相应算法,该算法在低纹理场景下实现了更精确的定位,并构建了结构信息更丰富的地图。综上所述,本文以单目视觉SLAM算法为基础,为三维空间中自由移动的机器人及轮式机器人提出了多种多传感器信息融合方案,切实解决了单目视觉SLAM尺度不确定且鲁棒性差的问题,提高了算法的定位精度,并构建了结构化的环境地图,具有十分重要的实际意义。