即时定位和构图（Simultaneous Localization and Mapping,SLAM）在虚拟现实、增强现实等领域有着广泛的应用。基于特征点的SLAM系统在弱纹理、光照变化剧烈和快速运动的场景中,很难提取到足够的特征点或者特征点分布不均匀,从而导致定位的失败,而线特征在上述场景有良好的表现,本文重点研究了点、线特征结合的视觉惯导SLAM算法。研究内容如下:首先,针对在弱纹理的环境中提取到的特征点数量少,导致定位精度降低甚至失败的问题,提出了基于点线特征的视觉惯导里程计方法。在里程计的前端,使用光流追踪法对角点进行追踪的同时使用LBD描述子对LSD提取的线特征进行跟踪;IMU可以和单目相机恢复出轨迹的尺度。在后端,构建了包括点特征的重投影误差,线特征的重投影误差,边缘化引入的先验残差和IMU测量误差的一个误差函数,使用非线性优化的方法得到机器人的位姿和路标点的坐标。实验表明,基于点线特征的视觉惯导里程计可以得到一个具有点、线特征的环境地图。其次,针对视觉惯导里程计无法消除累积误差的问题,提出了基于词袋模型的点线特征的闭环检测方法。分别训练了点特征的词典和线特征的词典,在闭环检测的过程中,对两个词典查询的结果进行加权,得到最终的相似性评分。如果存在大于阈值的相似性得分,则对应的关键帧为闭环候选帧,闭环候选帧通过几何验证之后加入到滑动窗口中进行快速重定位,当从滑动窗口中滑出的帧和关键帧数据库中的帧有闭环关系时,对关键帧数据库中的所有帧进行一次全局优化,得到全局一致的位姿估计。实验结果证明,基于点线特征的闭环检测可以有效地消除里程计的累积误差,并且效果好于仅使用点特征进行闭环检测。最后,针对词典规模对闭环检测的结果影响问题,提出了使用二叉搜索树进行闭环检测算法。随机选择二进制描述子中的某一位索引作为节点,根据节点的该位对应的值将描述子分配到左节点或者右节点,循环以上步骤,每个位索引只能出现一次,最终将描述子放在叶子节点中。描述子的匹配使用汉明距离,如果描述子之间的汉明距离小于阈值,就认为两个描述子对应的特征是同一个,最后用投票机制选出闭环候选帧。通过实验验证,所提闭环检测算法在保证精度的前提下,在效率上要高于词袋模型的检测方法。