近三十年来,计算机视觉经历了飞速发展,传感器设备随着科技的进步逐步多样化,SLAM（即时定位与地图构建,Simultaneous Localization and Mapping）技术也随之逐步成熟,其对人们生活的影响也不断扩大。无论是小规模场景下的机器人设备、中大型场景规模下的无人驾驶汽车、无人机自主导航还是目前火热的AR/VR设备都需要SLAM技术的支持。随着SLAM应用场景逐步扩大,传统SLAM算法在面对大规模场景建图时存在计算量大、内存消耗大、累积漂移大的问题,无法提供较好的解决方案。由于目前硬件设备上配备多种传感器,因此可考虑通过融合多种传感器数据,尤其是具有全局参考意义的GPS信息,使得SLAM系统在大规模场景下,依旧能保证准确且快速的定位和建图。本文提出一种新型的基于GPS信息辅助的大规模场景分治SLAM框架,以GPS信息为参考,将大规模场景SLAM问题划分为可多机独立运行的子场景SLAM任务,最后将重建的子场景点云进行自动对齐,完成对大规模场景的快速定位与建图。该框架主要分为三部分:（1）空间划分与编码:提出一种针对大规模场景的动态空间划分与编码策略,以GPS信息为指导,采用八叉树结构对场景空间进行递归式划分,并动态生成空间网格编码;对落入空间网格的图像关键帧赋予全局编码信息,为后续的子场景SLAM及快速点云对齐提供全局指导与约束;（2）子场景SLAM:融合图像和IMU数据实现前端视觉里程计估计机器人位姿,随后为提升重定位及后端位姿优化的精度和效率,提出基于空间划分/编码的快速回环检测算法,在回环检测前先利用空间编码进行关键帧筛选,使用感知哈希方法进行图像相似度比较,避免词袋模型的加载和维护,简化回环检测流程和计算量,并提升SLAM任务的轨迹估计精度;受益于网络编码的全局约束,各子场景SLAM任务可多机独立进行;（3）大规模场景点云融合:提出多区域重建点云的快速自动对齐方法,将GPS全局信息融入恢复的场景三维点云中,约束子场景稀疏点云的快速对齐,支持以区域增长的方式完成大规模场景重建;随后,设计与空间编码适配的点云数据优化配准方法,以重叠区域的网络编码为指导,自底向上渐进式地完成相邻区域的点云数据高效精准对齐,提升框架针对大规模场景重建的精度和适用性。随后,在KITTI、Eu Roc公开数据集上对本文所设计的分治SLAM框架及所提出的三个重要算法进行了评估,分别从回环检测效率、轨迹估计精度、点云融合效率与精度等方面分析和展示了其针对大规模场景SLAM的定位与建图效果,并与其他基线算法进行了性能比较,验证了该框架的效率与可行性。结果表明,本文提出的基于GPS辅助的大规模场景分治SLAM框架,能够快速得到精确的轨迹估计与场景稀疏点云,支持多人多机并行、数据无缝对接、增量式地完成场景SLAM及三维点云重建,为大规模场景的定位与建图提供解决方案。