近年来以可见光相机和激光雷达为代表的计算机视觉传感器性能在逐年提升,科技公司和高校科研项目持续地挖掘其算法潜力,使其应用效果越来越强,应用领域越来越广,基于这两种环境感知设备优势互补的数据融合技术也是科研的热点领域。自动化驾驶技术和SLAM技术（Simultaneous Localization And Mapping,即时定位与地图构建）就是对这两种主流传感器的综合运用。然而激光雷达点云数据具有量大、无序、稀疏且非结构化的特性,使得点云数据和可见光图像难以获得良好的数据融合。对此,本文研究自然场景下激光点云和可见光图像的像素级数据融合技术,主要研究内容如下:（1）建立以Velodyne-HDL-64E激光雷达和Kinect v2相机为信息采集设备的数据融合操作平台,分析激光雷达设备水平、垂直分辨率和稳定周期采样的特性,确立水平扫描线数据作为本文实验的高精度原始数据,完成对相机的内参标定实验,获取视觉相机的内参矩阵。（2）研究相机-激光雷达外参标定的方法,完成以标定板面特征的手动外参标定方法和以自然场景下矩形刚体角点的点特征的自动外参标定,比较这两种联合外参标定方法的重投影误差,以误差更小的外参标定结果进行RGB图和点云数据的像素级融合。（3）对得到的稀疏融合深度图像进行稠密化和深度补全操作。采用基于矩形核膨胀解决了邻域数据丢失的问题并完成了深度图像的稠密化,使用ICP算法叠加相邻帧补充丢失的部分激光雷达水平扫描线数据。针对垂直方向上稀疏深度信息,改进IP＿basic算法并以RGB图像作为引导输入,完成了稠密深度图像的深度补全,得到平滑深度图。