车辆自主定位是实现汽车自动驾驶功能的关键技术之一。对于车辆的定位技术,惯性测量单元（Inertial measurement unit,简称IMU）拥有较高的更新频率（100Hz-1000Hz）,并且不受信号影响,适合于高速运动物体的定位。但IMU存在零偏问题,只适合于计算短时间内的运动,对于长时间的运动,利用IMU计算产生的累积误差较大。而视觉定位技术不会产生零偏,但视觉定位在物体运动过快时容易丢失关键帧。总体而言,IMU传感器适于短时、高速运动物体的定位,视觉传感器适于低速运动物体的定位。IMU和视觉定位方案存在优势互补性质,可以将视觉传感器获得的信息用于估计IMU传感器的零偏,减少IMU传感器由于零偏问题而导致的发散和累积误差问题。同时,在载体进行高速运动时,可以利用IMU传感器获取的数据为视觉传感器提供辅助信息。本课题研究惯性导航技术以及双目视觉技术,将惯性导航和双目视觉进行融合,利用融合模型实现车辆的自我定位。本文的主要研究内容如下:（1）首先进行了双目视觉定位关键技术的研究。研究了相机成像原理、模型,对双目相机进行双目标定和畸变矫正;研究了双目视觉定位中的关键技术—特征提取与匹配;并在研究了现阶段优秀的特征检测算法ORB算法的基础上,提出了一种基于Orient-FAST特征的自适应阈值特征提取方法,利用提出的自适应阈值特征提取方法对获取的双目图片数据进行特征点检测。（2）其次研究了IMU工作原理并建立了IMU噪声模型以及运动学模型。首先分析了IMU工作原理以及IMU惯性导航系统常用的坐标系;其次研究了IMU在坐标换算过程中用到的旋转矩阵,包括欧拉角、方向余弦以及四元数;最后对IMU进行了建模,并对本文使用的IMU进行了校准。（3）接着研究了IMU和双目视觉传感器的融合定位方法。首先在进行数据融合之前,为了解决IMU和双目视觉频率不同的问题,对IMU进行了预积分;然后提出了一种联合IMU和双目视觉的动态初始化方法,并对系统初始化进行了性能测试;最后建立了双目视觉与IMU的融合定位模型。（4）最后对本文提出的方法进行了数据集仿真实验和小车实验。首先给出了定位误差分析的评价准则;然后利用国际上最大的自动驾驶数据集KITTI数据集进行了数据集仿真实验,并对仿真实验得到的结果进行了分析;最后为了验证定位算法在实际传感器上能够稳定工作,进行了小车验证实验。