通过无人船获取水面上的环境信息,是无人船环境感知研究领域中的热点内容。同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）,目前主要被采用于无人车与机器人感知领域,如何将SLAM算法与无人船感知算法进行匹配融合,是实现水面环境感知的关键。本文在视觉SLAM原有基础上,提出了一种基于改进ORBSLAM的多传感器融合算法,所提出的算法改进了原有的视觉里程计（Visual Odometry,VO）前端,并将视觉信息与其他传感器信息进行匹配融合。实现无人船对环境信息的实时感知与自身定位,为海上航行环境安全感知提供重要的参考信息。首先,为解决水面光照强度变化与水面倒影对视觉动态感知的影响,本文基于色相饱和度值（Hue Saturation Value,HSV）颜色通道对图像数据进行阈值分割,并采用BallK-means算法对分割之后的图像进行聚类完善,消除图像中的水面动态区域,以便于获取稳定、准确的图像特征点,有效地对特征匹配解算的位姿精度进行提升。为改善视觉里程计中特征点匹配与关键帧筛选的效率与准确度,改进了原有的快速特征提取描述算法（Oriented FAST and Rotated BRIEF,ORB）,引入并改进随机抽样一致算法（Random Sample Consensus,RANSAC）与关键帧筛选部分,缩减了特征点匹配耗时与内点占比。引入改进的关键帧算法降低原有关键帧筛选的时间与姿态估算误差。通过制作数据集与采用开源数据集的方式来对算法进行实例验证,验证3种改进算法的组合有效性。实验结果表明,组合改进算法能够有效提升本文算法的位姿估算准确度。其次,为保障算法能够获取精度较高的全局一致性轨迹地图,本文提出将视觉SLAM算法与惯性测量单元（Inertial Measurement Unit,IMU）数据紧耦合,与全球定位系统（Global Positioning System,GPS）数据松耦合的多传感器融合算法,以提高获取本船位姿变化与定位的准确度。组合多种已有算法完善视觉信息与传感器信息的融合效果,采用收集的数据集进行实验。结果表明,采用融合算法的轨迹精度要高于纯视觉SLAM。最后,结合改进多算法组合视觉里程计前端与多传感器融合的SLAM算法,本文提出了一种基于改进ORB-SLAM融合多传感器的算法,该算法在原本ORB-SLAM算法的基础上进行了系统性的优化。本文通过基于机器人操作（Robot Operating System,ROS）系统下的Gazebo平台进行仿真实验,实验结果表明改进算法对比纯视觉算法有着较小的平移误差与漂移误差。随后采用无人船与实船携带传感器的方式制作数据集进行验证,实验结果表明,本文算法能够获得较为理想的轨迹定位效果,绘制轨迹较为接近无人船真实轨迹,并能够对重要建筑物完成点云图与深度图的绘制。