如今随着人工智能技术不断地突破创新,自动驾驶技术和智能车辆也随之成为重点研究的领域。智能车辆要实现自动驾驶,首先要能够利用车辆上的传感器在未知的环境中实现自身定位以及构建所在环境的地图,为此提出了同步定位与建图（Simultaneous Localization And Mapping,SLAM）技术用来解决这一问题,该技术是自动驾驶研究领域中不可或缺的一项关键技术。因相机具有低成本、采集环境信息丰富、使用简单等特点,目前用相机采集的信息作为信息输入的视觉SLAM技术逐步成为研究热点。但传统的纯视觉SLAM仅靠视觉信息无法满足智能车辆的定位导航避障需求。因此,本文对当前流行的纯视觉ORB-SLAM2系统进行改进,设计了相机与惯性测量单元（Inertial Measurement Unit,IMU）信息融合的定位与建图系统。主要工作内容如下:（1）针对纯视觉的ORB-SLAM2系统在智能车辆运动过快的情况下、特征纹理较弱的情况下,易出现图像间匹配的错误和丢失导致定位精度有所偏差的问题,提出了一种相机与IMU融合的视觉惯性里程计方案。首先介绍相机和惯性测量单元的原理,介绍相机与IMU的标定方法并进行联合标定工作。研究信息融合的方法并通过紧耦合的方法将图像信息与IMU信息融合,利用IMU信息预测图像特征点。本文SLAM系统与原始ORB-SLAM2系统经过公开自动驾驶数据集KITTI做定位轨迹精度对比实验。实验结果表明,本文设计的相机和IMU融合的SLAM系统提高了定位的精度和实时性。（2）针对ORB-SLAM2系统无法构建具有三维空间结构信息地图的问题,提出了一种稠密点云地图构建方法。针对RGBD-SLAMV2系统构建的稠密点云地图质量差,无法满足智能车辆对导航避障地图的实时性与轻量化需求的问题,提出了一种滤波优化和转化八叉树地图方法。在原始ORB-SLAM2系统添加一个稠密点云建图线程,将深度相机获取到的深度信息和彩色信息拼接实现稠密点云地图,再对稠密点云地图做滤波优化。使用转化为八叉树地图的方法将经过滤波优化的稠密点云地图进行转化。通过公开数据集TUM对比实验,实验结果表明,本文SLAM系统可构建优于原始ORB-SLAM2系统和RGBD-SLAMV2系统的稠密点云地图,并且转化后的八叉树地图提升了建图的实时性与轻量化。（3）使用虚拟仿真智能小车在虚拟仿真场景和真实智能小车在实际真实场景将本文设计的SLAM系统与原始ORB-SLAM2系统作定位与建图的实验对比。虚拟仿真实验与实际真实实验结果都表明:定位方面,本文SLAM系统定位的精度优于原始ORB-SLAM2系统;建图方面,本文SLAM系统相比于原始ORB-SLAM2系统能够实现稠密点云地图并能将地图转化为具有实时性、轻量化的八叉树地图。