虽然,视觉SLAM（Simultaneous Localization and Mapping）广泛应用于机器人自主定位和地图构建。但是,在面对光照变化、纹理变化、以及快速运动等情况时,视觉SLAM定位会产生精度不准确的问题。因此,在视觉SLAM系统中引入IMU传感器进行耦合（视觉惯性里程计）提升定位的准确性和鲁棒性。其中,若视觉信息失效会导致IMU迅速漂移。当移动机器人以恒速运动或者纯旋转运动时,视觉惯性里程计会因无法获取有效的加速度激励,产生四个不可观测的方向以及计算的尺度因子不精准的问题。通过引入轮式里程计解决视觉惯性里程计移植到移动机器人上尺度的弱可观问题以及因视觉信息失效而导致的IMU漂移问题。具体研究如下:首先,完成载有单目摄像头、IMU、轮式里程计、激光雷达的智能小车移动机器人硬件平台的搭建。单目视觉里程计以稀疏直接法（半直接法,SVO）实时估计相机位姿,通过IMU恢复单目相机的尺度完成位置信息输出。单目相机的位置信息,IMU的加速度、偏航角,轮式里程计的速度三种传感器信息通过扩展卡尔曼滤波完成松耦合定位。在光照变化情况下,经过实验证明了单目视觉算法的准确性以及智能小车的定位精度。其次,改进扩展卡尔曼滤波算法的尺度恢复方法,实现单目视觉以半直接法完成视觉惯性里程计,通过Euroc数据集进行验证改进算法的准确性。通过树莓派侧完成视觉、IMU、轮式里程计紧耦合,解决视觉辅助惯性导航系统（VINS）产生方向不可观和尺度弱可观问题。最后,在室内环境下,经过混合式结构的智能小车采集周围环境的数据信息,完成多信息融合算法定位的准确性验证。经过实验证明,改进后的多传感器融合算法能够在视觉失效后也能够完成精准定位,相比扩展卡尔曼滤波多传感器松耦合算法定位更有效。