在未知环境中,无人机(Unmanned Aerial Vehicle,UAV)使用基于视觉的即时定位与地图构建算法(Simultaneous Localization and Mapping,SLAM)进行定位与地图构建,受到越来越多人的关注。在GPS不能满足其需求时,SLAM算法是实现自主飞行和自主导航的关键算法之一。随着无人机平台的运动,依赖于视觉的定位漂移会逐渐累积,而且无人机本身的负载能力有限,运行速度快,不能像机器人一样可以搭载多种传感器帮助减小误差的积累。虽然通过单机的回环检测可以有效的减小误差,但增加单个无人机的回环的个数,相当于增加了无人机的转弯次数,不仅给飞控系统带来很大压力,而且单位时间的覆盖区域也显著减少。因此在当前的研究中,如何减小SLAM的定位和构图误差,同时提高环境三维重建的速度具有重要的意义。基于上述分析,本文提出一种基于互回环检测(Mutually Loop Closing,MLC)的方式实现多无人机的协作SLAM的框架,在此框架的基础上改进点云地图的融合方法,通过仿真和无人机平台的实验,证明此方法有效解决单无人机的误差问题,提高地图构建的精度和效率。基于MLC的多机协作SLAM框架,单个无人机向中央服务器传输关键帧信息,在中央服务器中实现后续的互回环检测、点云地图的融合、全局地图优化、位姿信息反馈等过程,从而实现多机SLAM的协作。关键帧信息包括由词袋模型构建的每一帧图片的特征描述符和对应的点云信息,避免了传输图片带来的带宽受限和延迟问题。同时我们在互回环检测算法所使用的特征选择上,使用ORB特征代替BOW算法中常使用的SIFT特征,优化了词袋模型。最后优化全局地图,采用基于最小二乘法的图优化的方式,提高了优化速度。在地图的融合算法上,本文做了系统的分析和研究,在传统迭代最邻近(Iterative Closest Point,ICP)算法的基础上提出改进算法,使用改进k-d树ICP算法来提高地图的融合性能,该算法使用k-d树进行最邻近区域的搜索,提高算法的收敛速度,并且结合使用欧式距离阈值和方向向量阈值剔除错误的点云匹配对,最终提高点云融合算法的性能。通过对两幅点云分别采用ICP算法和改进ICP算法进行仿真对比,证明改进算法的优势。