视觉同步定位与地图创建（Simultaneous Location And Mapping,SLAM）是指移动机器人在未获取当前环境信息的状况下,使用自身携带的视觉传感器采集环境信息,在运动过程中建立环境感知模型并同时估计自身运动信息。研究移动机器人视觉SLAM环境感知技术对于提高移动机器人在复杂场景实现高智能、高决策有着至关重要的作用,但是纯视觉SLAM算法仅依靠单一视觉传感器在快速运动或弱纹理环境中无法准确感知环境信息实现精准定位。为使视觉SLAM算法能够应付复杂多变的环境,多传感器融合定位技术开始成为研究热点,其中视觉惯性组合的定位导航技术深受喜爱,但如何实现不同频率的多传感器信息融合存在亟待解决的难题。本文主要针对视觉与惯性融合的移动机器人SLAM优化方法进行深入的理论研究与探索,并重点解决视觉惯性优化方法在快速运动及弱纹理场景中实时性与鲁棒性等问题。针对传统视觉SLAM在特征提取环节实时性较差、鲁棒性较低等问题,采用改进ORB特征点提取与改进光流匹配组合的方式。特征提取环节构建多层高斯图像金字塔,每层图像进行网格划分并利用四叉树均匀化特征点,减少因特征冗余造成的帧间位姿解算误差。特征匹配环节,本文利用多尺度图像金字塔与迭代光流相结合的方法,将图像像素点进行区域分割降低图像像素点分辨率,并合理选取各分割区域的像素点,计算不同分辨率图片中某个像素点的运动变化,得到更为细致、更为准确的像素点像素坐标,增强系统的鲁棒性。针对弱纹理场景中特征点匹配错误数据关联等问题,基于重投影误差和RANSAC原理设计一种错误跟踪点剔除机制,排除错误跟踪点并通过重投影构建对极几何约束方法求解相机连续图像帧之间的位姿变化构建局部轨迹地图。针对纯视觉SLAM在面对快速运动、场景光照变化剧烈及纹理缺失场景中定位效果不佳、误差较大等问题,将视觉传感器与惯性传感器融合,利用两者的互补性弥补视觉SLAM在快速运动及弱纹理场景中的缺点。为解决视觉惯性数据有效融合的问题,本文提出一种基于共视约束的滑动窗口非线性紧耦合优化,利用关键帧间的共视关系分级关键帧,保留关键帧间的共视强弱作为约束条件在滑动窗口中仅优化强共视关键帧,并采用DogLeg计算方法降低优化计算量并加快计算速度,消除局部累计误差,提高后端优化精度。为验证本文所提算法有效性,在公开的KITTI和EuRoC数据集分别测试基于多尺度光流融合特征的视觉SLAM算法及基于关键帧的多位姿信息最优估计,并与主流的ORB-SLAM、ORB-SLAM2及VINS-mono算法比对分析,验证本文所提算法在快速运动及弱纹理场景中定位实时性与鲁棒性。在搭建的硬件平台上使用,证明本文算法适应性,为室内环境中单目/惯性SLAM研究应用提供参考依据。