同步定位与建图（Simultaneous Localization And Mapping,SLAM）赋予了移动机器人感知周围环境并进行自主定位与建图的功能,近年来被广泛应用于智能家居、无人驾驶与虚拟现实等领域。其中,基于相机传感器的视觉SLAM具有成本低、易用性强以及信息量丰富等优点,受到了广泛的关注。尽管视觉SLAM取得了许多研究成果,但是仍然面临着诸多挑战。首先,传统的视觉SLAM方法通常仅利用点特征进行相机位姿估计,在弱纹理室内场景中容易导致特征缺失,从而影响定位精度。其次,在动态场景下基于点特征的方法容易引起错误的数据关联,并且静态物体的匹配信息较少,从而出现定位效果不佳与丢失跟踪的情况。最后,在相机全局重定位策略上,目前的视觉SLAM研究大都不考虑地图的保存与复用,在优化过程中也没有充分利用几何特征的信息。本文围绕视觉SLAM中的几何特征展开研究,致力于进一步提高视觉SLAM定位精度。本文的主要研究如下:（1）为了提升SLAM算法在弱纹理场景中的精度与运行效率,提出了一个基于几何特征的视觉SLAM方法。通过引入EDline线特征提取算法与层次聚类面特征提取算法来提高特征提取模块的准确率与运行效率。进一步地,由于相邻帧的匹配过程中运动变化较小,本文在线特征匹配过程中利用线段的几何性质来提高运行效率,同时在面特征匹配过程中利用平面的质心和协方差矩阵来提高匹配准确性。另外,为了提升定位精度,在基于点线面重投影误差的代价函数下,引入虚拟右目线特征约束和假设平面约束。通过在多个图像序列上的实验对比,说明了本文提出的方法具有更好的定位精度与运行效率。（2）为了解决基于特征点的方法在动态场景下定位精度低的问题,提出了一个基于线特征优化的动态视觉SLAM方法。该方法使用语义分割模型来检测动态物体,然而语义分割模型计算量过高且推理时间慢。针对这一问题,本文基于Deeplabv3+提出了轻量级的语义分割模型,并引入多视几何算法以进一步提取未被标记的动态物体位置。在此基础上,针对剩余静态物体特征匹配信息较少的问题,本文将线特征作为静态物体的特征之一,并引入线特征静态权重算法对动态线进行剔除,从而提高了基于特征的方法在动态场景下的定位精度与鲁棒性。（3）为了在重定位过程中提供更多的优化信息,本文提出了一个融合面特征的相机全局重定位模块。该模块在地图构建过程中添加了面特征信息。进一步地,本文完成了地图保存并加载进行重定位的功能,同时联合使用特征点与特征平面的重投影误差进行优化,给出了更精确的重定位位姿。