无人平台的自主导航是一项极为复杂的问题,需要多种不同功能的模块来共同完成。其中的三维稠密地图构建模块是极其关键的一环。三维稠密地图的构建是计算机视觉（CV,Computer Vision）和机器人学方向的一个热门研究方向。为了满足无人设备能够安全进行导航或者执行更加高级的任务,我们的建图系统必须密集覆盖到真实场景中的所有环境信息,在保证精度的同时还要有足够的效率来节约内存资源。此外,为了能够适应不同的环境,建图系统要在室内外多尺度规模的环境下都能够稳定运行,具有出色的鲁棒性。旨在克服目前存在的问题和上述要求,本论文在基于视觉传感器的 SLAM（simultaneous localization and mapping）定位的基础上进行扩展,利用视觉传感器获得的深度信息,结合SLAM计算的位姿信息进一步融合得到三维稠密地图,并对影响基于视觉传感器的三维稠密地图构建系统的精度和效率因素进行了深入分析和研究。本文主要完成了下列三个方面的工作:1.针对基于视觉传感器的室内外三维稠密地图构建的质量强烈依赖于提供的深度图质量,而传统视觉测距方法难以得到精度较高的深度信息的问题,本文提出了一个基于深度神经网络的双目视差估计算法。利用NAS（Neural Architecture Search）进行自动搜索网络结构的基础上,融合 DCN（Deforable Convolutional Networks）。接着,为了提高双目视差差估计网络的精度,本文设计了 一个新的自适应权重损失函数。为了验证本文提出的算法,在KITTI数据集上进行了测试验证。实验结果表明,相比于LEAStereo算法得到的模型,EPE（End Point Error）误差降低了 37%,视差估计精度提高了 2.9个百分点。2.针对 VINS（Visual-Inertial State Estimator）系统无法对不同硬件传感器之间的时间误差项进行动态优化更新的问题,本文提出一个基于双目惯导的传感器时间同步优化算法,在状态向量中添加了相机传感器和IMU之间的时间误差项来不断地进行重投影误差的优化。为了验证本文算法性能,在EuRoC数据集上与VINS和ORBSLAM2进行了对比实验。实验结果表明,RMSE（Root Mean Square Error）误差分别降低了 21和15个百分点。3.针对传统SLAM系统无法只能重建稀疏点云地图而无法直接构建高精度三维稠密地图的问题,本文利用自己设计的改进LEAStereo后的神经网络估计得到的每一帧的深度图和添加了双目视觉惯导时间同步优化算法后的SLAM系统计算得到的位姿作为输入,来构建基于哈希数据结构的TSDF（Truncated Signed Distance Function）三维稠密地图。为了验证本文提出的重建算法的性能,在公共数据集和实际场景采集的数据上与LEAStereo算法进行了对比,实测数据中选取了椅子的长度进行了测量,我们方法的精度相比改进前的方法提升了67%。