随着移动机器人、无人车、无人机、以及增强现实（Augmented Reality，简称 AR）和虚拟现实（Virtual Reality，简称 VR）等行业的发展，即时定位与地图构建（Simultaneous Localization And Mapping，简称 SLAM）在工业界的需求越来越大。即时定位与地图构建技术可以实时定位系统的位姿，并且同时构建环境的地图。通常情况下，稀疏特征点 SLAM 只能定位系统的位姿，而稠密 SLAM 系统重建的环境的稠密地图可以用作机器人导航、避障、以及用于 AR/VR 行业环境和物体建模等。目前、基于特征点的稀疏 SLAM 系统已经趋于成熟，而稠密的 SLAM 算法还存在许多不足，目前稠密 SLAM 系统按照流程可以划分为相机定位、融合 RGB-D 图像稠密重建、闭环检测和位姿优化和地图更新等环节，本课题针对稠密 SLAM 系统在各个环节的不足，提出以下几点研究内容。（1）改进的基于 ICP 算法的深度图像配准算法。迭代最近点算法（Iterative Closest Point, 简称 ICP）在点云配准领域应用广泛。本文针对 ICP 算法在几何特征少的环境中配准不精确并且鲁棒性低的问题，提出基于几何方差矩阵提取深度图像配准不稳定的方向，根据不稳定方向计算匹配点对约束配准不稳定方向的贡献，通过增大对不稳定方向约束大的点在配准时的权重，提高配准的鲁棒性和精度。同时，利用目前 GPU 架构的特性，提升对匹配点贡献做累加效率。（2）基于面元模型的大范围实时定位与地图构建方法。目前，在稠密 SLAM 系统中，Truncated Signed Distance Function 模型（简称 TSDF）和 Surfel 模型（面元模型）是两种常用的模型。目前基于面元模型的实时重建系统，分配固定大小的存储空间存储重建的模型点，这使得系统能够重建的区域的大小有限；并且随着重建区域的扩展，系统重建的模型点数量增多，算法执行效率会逐渐降低。当系统检测到闭环时，如果当前跟踪累计误差较大，闭环约束通常不能有效地更新模型点。针对基于面元模型重建大范围场景时的上述问题，我们提出在稠密 SLAM 系统中维护两个地图：局部地图和全局地图。新获取的 RGB-D 图像通过和局部地图配准计算位姿，当局部地图中的模型点和相机距离较远并且时间戳超过设定阈值时，将局部地图中的模型点移动到全局地图。系统采用从局部地图和全局地图来回迁移点的策略，扩展重建的区域，并且保持系统的帧率恒定。当系统检测到闭环时，首先做位姿图优化，位姿图优化后，根据位姿图优化的结果优化变形图（Embedded deformation graph），最后采用优化后的变形图更新重建的模型点。在优化变形图时，为了使得大范围模型点的更新更加鲁棒，我们提出一种新的变形图优化策略，我们将优化前后的位姿图作为约束；并且为了使得闭环处闭环前后重建的模型点能够对齐，我们从回环帧抽取三维点作为约束。（3）基于特征点和关键帧的稠密即时定位与地图构建方法。目前，基于特征的稀疏 SLAM 算法已经趋于成熟，基于特征的 SLAM 算法通常具备跟踪精度高、闭环检测和重定位稳定和计算量小等优点。近年来，稠密 SLAM 系统多采用的稠密配准算法，稠密配准算法在处理运动模糊和低纹理场景时往往优于稀疏的 SLAM 算法，稠密 SLAM 系统重建输出的稠密地图也更加实用。结合稀疏 SLAM 和稠密 SLAM 系统的优点，我们提出基于特征点和关键帧的稠密 SLAM 系统。在相机跟踪时，融合稀疏特征点配准的重投影误差和稠密配准误差计算位姿，我们在 g2o 优化库中新建稠密配准约束边，借助 g2o 优化库联合优化稀疏配准误差和稠密配准误差计算位姿。我们在稀疏的 SLAM 系统中，添加稠密建图线程，使得系统可以重建稠密地图。系统不断地检测闭环，在检测到闭环后，执行位姿图优化和全局的 BA（Bundle Adjustment）优化；从优化前的位姿图中抽取关键帧构建变形图的节点，并且将优化前后的位姿图作为约束优化变形图，最后根据优化后的变形图更新重建的稠密地图。我们还提出根据计算的当前关键帧的位姿，从稠密地图投影得到深度图，采用投影的深度图剔除稀疏特征点地图中的外点，投影的深度图还用来计算稀疏特征配准时特征的权值。本文针对实时重建系统位姿配准不精确、不鲁棒，目前算法难以重建大范围场景等问题进行研究，对于基于 ICP 算法的相机跟踪、和基于面元模型重建大范围场景提出新的算法和系统框架。并且融合稀疏 SLAM 系统和稠密 SLAM 系统的优点，提出新的稠密重建系统，我们的重建系统在跟踪精度，重建精度和可扩展性等方面，都优于目前稀疏和稠密 SLAM 系统。