基于多种传感器的同时定位与建图（Simultaneous Localization and Mapping,SLAM）,是实现无人机在无全球定位系统（Global Positioning System,GPS）信号下自主飞行的关键技术之一。随着传感器技术和计算机技术的快速发展,无人机SLAM逐渐向多元化发展,本文针对3D激光雷达SLAM算法和视觉与激光雷达融合的SLAM算法进行研究并实现了基于四旋翼无人机平台的实验验证。本文的主要工作如下:（1）针对在无GPS信号下无人机自主定位与建图问题,本文在激光雷达里程计与建图（Lidar Odometry and Mapping,LOAM）算法的基础上,提出了一种基于线面特征的激光雷达SLAM。首先,针对LOAM算法在杂乱环境下特征误提取问题,增加了一种借助惯性测量单元和欧氏距离分割的点云数据预处理环节,解决点云失真的同时剔除杂乱点。其次,采用一种基于平滑度的特征提取方法,提取空间中的线、面特征点用于帧间和地图层的最近邻点匹配。最后,构造非线性最小二乘问题求解无人机位姿信息,同时构建点云地图,实现了无人机的自主定位与环境感知。（2）针对系统长时间运行存在较大的累积误差问题,本文提出了一种基于分割段的回环检测方法。首先,对分割段提取基于特征值的描述子信息,同时构建全局目标描述子地图作为匹配的基准。其次,采用基于欧几里得范数空间的特征匹配方法,同时加入几何一致性约束,提高回环检测的准确率。当判断回环检测成功后,使用迭代最近点法（Iterative Closest Point,ICP）求解回环约束。最后,使用位姿图优化算法优化全局位姿和点云地图,修正累积误差,提升点云地图一致性。（3）针对无人机的高机动性而导致的激光雷达点云失真问题,本文提出了一种基于视觉和激光雷达松耦合的SLAM算法。首先,采用基于多状态卡尔曼滤波（Multi-State Constraint Kalman Filter,MSCKF）的视觉SLAM算法,输出50Hz的高频定位信息,以解决点云失真问题。然后,采用基于线面特征的地图层最近邻点匹配,优化位姿信息。最后,加入基于分割段的回环检测和位姿图优化,优化无人机轨迹和点云地图。