导航定位技术是无人汽车的重要技术基础,而基于多传感器融合的SLAM（Simultaneous Localization and Mapping）定位技术是实现智能车辆高精度定位的主流技术之一。由于智能车辆行驶环境的复杂性,即使是融合定位性能最好的视觉惯导SLAM在部分行驶环境中的定位性能依旧存在不足,如弱纹理环境会导致定位精度变差、存在大量相似物体的环境会导致回环检测的准确率降低等。针对上述问题,本文提出了基于点线特征自适应融合的VINS（Visual-Inertial Systems）定位算法以及基于多源信息的回环检测算法,目的在于提高系统的综合定位性能。本文研究的关键内容如下:针对视觉惯导SLAM在弱纹理环境下定位精度变差,而点线特征直接融合会导致系统定位的实时性下降,且在丰富纹理环境中的定位精度提升不明显,本文提出了基于点线特征自适应融合的VINS定位方法。通过在前端引入网格法来评估当前环境的点特征质量,主要包括点特征提取比例、点特征跟踪比例以及点特征的分布均匀性等参数,从而利用点特征质量参数来识别弱纹理环境。若为弱纹理环境,则融合点线特征构建视觉约束项,若为丰富纹理环境,则仅利用点特征构建视觉约束项。即在不同纹理环境下,后端可基于不同的约束项来构建损失函数并估计车辆位姿。针对存在大量相似物体的环境会导致回环检测的准确率降低,本文提出了基于多源信息的回环检测方法。主要通过引入GPS定位信息来辅助完成回环检测部分,首先利用当前关键帧的GPS定位结果来建立网格地图,并基于GPS的定位结果来记录车辆所经过的历史网格,然后可根据当前关键帧的GPS定位结果来辅助判断是否处于曾到达的历史网格,最后使用词袋模型来计算“当前关键帧”与“网格内历史关键帧”之间的相似度,从而判断是否回环。最后,基于Kitti和Euroc等数据集对本文提出方法的有效性进行了验证。实验结果表明:本文提出的点线特征自适应融合的VINS定位方法,通过在弱纹理环境中融合点线特征可提高定位精度约6.89%,且能在丰富纹理环境中避免引入线特征以保证定位实时性;基于多源信息的回环检测方法,回环检测准确率提升约16.74%,召回率提升约20.09%。另外,也基于改进的两种算法进行了小规模的联合测试,验证了本文算法能够提升系统的整体定位精度。