视觉惯性同时定位与建图（Visual Inertial Simultaneous Localization and Mapping,VINS）是实现移动设备在未知环境中能够实时定位的关键技术,其应用领域涵盖移动机器人、无人机、增强现实和自动驾驶等。目前,基于点特征的VINS技术已经相对成熟,但是在弱纹理等环境中通常不足以提取足够的点特征以保证持续跟踪和高精度定位。在真实场景中存在丰富的线特征,它们具有的几何结构约束能够用来弥补特征点约束的不足。为了提升VINS系统在挑战性环境（弱纹理、快速运动和昏暗等）中的定位精度和鲁棒性,本文提出一种基于点线特征的单目视觉惯性SLAM系统。本文的主要研究方法和成果如下:1.在特征跟踪之前使用自适应伽马校正算法对输入图像的亮度进行动态调节。在线特征跟踪线程中,使用改进的EDLines算法进行线特征提取,使用提出的基于金字塔LK光流法的线特征匹配算法进行线特征匹配。2.利用图像中的线特征重建空间路标线,定义线特征的重投影误差。采用Pn P算法最小化点特征和线特征的重投影误差求解帧间的位姿变换,完成纯视觉初始化。在紧耦合非线性优化模型中,最小化包含IMU残差、点特征和线特征的重投影误差的目标函数对状态变量进行优化。数据预处理、初始化、局部VIO、重定位与回环检测和位姿图优化五大模块构成了完整的基于点线特征的单目视觉惯性SLAM系统。3.利用公共EuRoC MAV数据集和公共TUM-VI数据集对本文研究的VINS系统进行评估。通过与其他先进的VIO和VINS系统对比,实验验证本文研究的VINS系统具有更高的定位精度、鲁棒性能和实时性能。