随着社会的发展,智能汽车成为当下汽车行业公认的发展方向。智能汽车主要包括感知、决策和控制三大模块,其中高精度地图对于这三个模块有着重要的作用,能够使智能汽车的运行更加安全稳定。因此高精度地图是汽车智能化的必要支撑。当前流行的智能汽车高精地图方案主要以激光SLAM为主,智能汽车在处理地下车库场景时,由于单线激光雷达点云信息不够丰富且场景存在动态物体,使得激光点云容易发生误匹配,导致智能汽车定位发生偏移,建图质量变差。针对上述情况,提出一种地下车库场景下视觉与雷达信息融合SLAM方案,主要研究内容包括:（1）研究激光雷达的工作原理和数学模型,对车辆坐标模型进行建模,针对激光雷达运动产生的畸变问题,应用里程计数据辅助的方法,获得了高质量的点云。针对二维ICP算法效果不佳的状况,将三维ICP算法IMLS-ICP进行二维化,并融入PLICP和N-ICP的内容,使得IMLS-ICP更加适合于二维环境,获得更好的点云匹配效果。（2）分析深度相机相关原理,针对相机参数不准的问题,进行了相机的畸变去除和内参标定,得到高质量的图像及参数。从图像中提取ORB特征点,进行特征匹配,并针对地下车库场景亮度不稳定的特点,对图像进行直方图均衡化滤波处理,用BRIEF描述子进行约束,使得ORB特征点的提取与匹配更具精确性和鲁棒性,并对得到的结果进行局部的BA优化,使得结果更加精确。（3）针对深度相机与激光雷达坐标系不统一、频率不一致的问题,对深度相机和雷达进行空间融合与时间同步,得到同频率同坐标系的传感器数据,应用加权滑动最小二乘理论将传感器位姿融合,并通过覆盖栅格地图算法建立栅格地图。针对SLAM无法检测经过场景的问题,加入了基于词袋模型的视觉回环检测模块,并进行回环场景验证,使得SLAM系统更加完善。（4）搭建了实车实验平台,进行地下车库场景实验,而后与主流2DSLAM算法进行对比,并整理出算法性能对比表格。实验结果表明,视觉与雷达信息融合SLAM算法有效提高了智能汽车在地下车库场景中的定位精度与建图质量。