同时定位与建图（SLAM）指的是机器人在陌生的环境中利用传感器获取的信息进行位姿估计,进而确定移动机器人自身具体位置,并建立与周围环境一致的地图。为了适应移动机器人不同的运动状态和多变的环境,SLAM技术在不断地发展。其中视觉SLAM以相机作为传感器,结构简单且价格低廉,用拍摄的相机帧作为输入,能够收集大量的信息。在快速运动和光照变化的情况下采用视觉和惯性融合的方式提高定位精度。本文主要的研究内容如下:首先,现有的大部分视觉SLAM算法仅依靠点特征估计机器人轨迹,然而在室内弱纹理或光线不足的环境下很难找到足够数量的可靠特征,容易出现运行不稳定的现象,面临着鲁棒性较差、实时性有限等问题。为了提取到更多的特征,设计了前端线特征提取和匹配组合方案,基于EDlines检测器提取线特征,同时结合LBD线段匹配方法,提高效率同时解决了计算耗时的问题,确保在不同环境中特征提取的稳定性。为了适应前后端不同的模块,线特征采用普吕克参数化和正交方法两种不同表示,构造点线融合的后端优化误差模型,解决了优化过程中的不稳定问题。其次,研究了视觉惯性联合初始化估计和后端非线性优化的过程。采用松耦合分别处理视觉和惯性的原始数据,获得系统初始时刻的状态。然后采用紧耦合统一融合视觉和惯性信息,在滑动窗口优化框架中使用IMU预积分误差连同点线重投影误差构造代价函数进行数据融合,通过最小化代价函数来优化状态变量,而提高位姿估计的准确率。最后进行了前端特征提取实验,在数据集多个复杂序列中测试显示出线特征的鲁棒性以及加入线特征的优势;用真实场景和多个数据集序列对比测试不同线段提取算法性能;进行了公开数据集仿真实验,实验结果与多个主流开源视觉惯性系统对比证明本文系统在定位精度上有所提高。