随着互联网技术的飞速发展,各种基于智能化技术的研究蓬勃兴起,具有简单智能的语音助手、扫地机器人走进千家万户,人工智能甚至被认为是改变人类生产生活的革命性技术。而定位技术作为一项基础服务,被广泛应用于自动驾驶、移动机器人和增强现实等领域。同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是实现无人设备自主导航定位与环境地图构建的关键技术。室内场景作为人们主要活动场地,本文针对室内定位难题,基于SLAM技术提出了一种融合点面特征的多约束优化算法,提高了系统定位的精准度与鲁棒性。本文的贡献主要有以下几个方面:（1）深入研究了SLAM系统的基础理论,并从原理对其主流的技术方案和相关算法进行了详细论述。针对室内环境存在大量重复性纹理或低纹理的问题,基于点特征的ORB-SLAM系统往往容易跟踪丢失,本文将平面特征加入到特征的提取、匹配、优化过程以及关键帧的抉择中,改进了其在室内场景的鲁棒性。（2）结合室内场景特点,利用环境中丰富的结构特征提出了一种融合点面特征的联合多约束优化算法。该算法充分考虑平面之间距离、角度关系,以及严格的垂直、平行结构,建立平面模型与位姿之间的联系,将平面约束引入到位姿估计的优化模型中,提高了位姿解算的准确性。（3）针对杂乱场景中多个平面特征引起的误匹配问题,本文提出了一种平面特征匹配方法,将平面上包含点的数量加入到平面匹配方法中,有效降低了平面的误匹配率,建立了精准鲁棒的前后帧数据关联,保障了后续优化结果的准确。（4）将面特征融入到关键帧的抉择中,提出了一种结合平面特征的关键帧插入算法。在保证系统实时性的前提下,有效保留了平面特征参与姿态运算。（5）为了验证本文提出系统的有效性和准确性,本文在业内标准数据集上选取了多个不同类型的数据设计了对比实验。将本文系统与多个业内优秀成果进行对比,在定位精度的均方误差上,相比ORB-SLAM提升了19.3%,并明显改善了其在低纹理场景下的鲁棒性,相比其他使用平面特征的SLAM系统提升了5.2%。建图结果表明,加入了平面特征的系统更能有效恢复场景的真实模型,建立的地图更具可视性。