同时定位与建图（Simultaneous Localization and Mapping,SLAM）,是无人驾驶领域的关键技术之一,其目的是根据周围环境信息获得车辆的位置信息。视觉惯性信息融合是SLAM领域的主要研究方向之一,其综合了视觉传感器和惯性传感器的优点,将两种传感器信息进行融合,利用惯性测量单元（Inertial Measurement Unit,IMU）的运动信息确定单目视觉的尺度因子,同时利用摄像头获取到的环境信息对IMU的漂移进行约束。当前视觉惯性融合的同时定位与建图（Visual-Inertial Simultaneous Localization and Mapping,VI-SLAM）系统存在以下问题:在低纹理区域、快速运动引起图像模糊或光照突变等情况下,由于特征点的不足使得系统定位精度降低或系统失效。为了提高系统在上述情形下的鲁棒性,本文将利用具有大视场角（Field of View,FOV）的鱼眼相机,对现有的点线特征融合的VI-SLAM系统进行改进。本文以VI-SLAM系统为研究对象,讨论点线特征融合在VI-SLAM系统中的有效性。文章主要从传感器模型及其标定、VI-SLAM系统中线特征算法、点线融合的VI-SLAM系统三个部分进行讨论。对于传感器模型部分,对鱼眼相机的投影和畸变模型进行了分析,阐述了惯性测量单元的工作原理及其误差模型。对鱼眼相机和IMU进行了联合标定,获得了较为可靠的内外参数。传统VI-SLAM系统前端使用特征点或光流进行位姿求解,在此基础上,本文引入了空间中的线特征,对线特征提取算法与描述子进行了详细解读。为了提高空间中线特征在系统中的运算效率以及解决其在后端优化中过自由度的问题,引入了普吕克坐标与正交表示法。通过采集图像进行线特征提取对比实验,证明了本文所采用线特征提取算法的优越性。然后对整个VI-SLAM系统框架进行了介绍,首先完成视觉初始化,视觉观测与IMU观测进行数据对齐,恢复出真实尺度。随后推导了IMU预积分模型、点线特征观测模型,并分别计算其雅可比矩阵。后端优化则利用基于滑动窗口的Bundle Adjustment对视觉重投影误差、IMU积分误差以及先验误差进行最小二乘优化。最后为了验证本文所设计程序的定位精度与运算效率,在公开数据集上进行了精度对比实验与帧率对比实验。实验结果表明在定位精度方面,本文所设计程序绝对位姿误差的均方根值相比VINS-Mono降低了11.5%,相对位姿误差的均方根值降低了66.8%。相比同样为点线特征融合的PL-VIO,帧率能够达到10Hz,满足实时性要求。通过搭建移动实验平台,在室内复杂场景下进行了定位实验,在经历了强曝光、弱光照、低纹理等场景后,系统仍能较为准确地进行位姿估计。实验结果表明,本文所设计程序具有较好的定位精度及鲁棒性。