具备自我定位和环境构建能力是移动机器人能够自主完成任务的重要前提,是上层应用的基础。视觉传感器凭借其获取丰富环境信息的能力和价格低廉的优点,已在机器人领域中得到了广泛的应用。对于视觉SLAM(Visual-Simultaneous Localization and Mapping,简称V-SLAM)而言,目前多以特征点法为主。虽然定位速度快,但在应对快速旋转、特征缺失的场景时其表现较差,无法稳定工作。相对于点特征而言,人造环境下有丰富的线特征,其可有效缓解弱纹理场景中,系统对点特征的依赖,避免出现因特征单一或特征缺失等情形导致系统状态估计出错的状况。相比于纯视觉SLAM方法,典型的视觉-惯性里程计方案提供了更高精度和鲁棒性更强的定位服务,然而,无论是纯视觉还是视觉-惯性方案都还有很多需要改进的地方。针对机器人定位的高精度和所建地图的高可利用性问题,本文从图像特征的提取和多传感器外参的标定问题出发,做了如下改进:1、在传统的外参在线标定基础上,除了应用固有的几何约束外,还添加了点重投影残差和IMU测量残差约束,以获得更高精度的外参估计值;此外,针对传统外参在线标定算法与离线标定一样,在系统运行时无法及时检测外参是否发生变化的问题,本文将外参标定环节与定位环节进行耦合,将外参值始终作为优化变量之一,全程将外参值作为优化变量进行优化,从而使得系统能够降低在长时间运行时,由于外参发生变化而造成定位精度下降的影响。2、针对LSD线特征提取算法存在所提取特征质量参差不齐的缺点,提出一个关于线特征长短的定义,以让SLAM定位系统只采用包含信息更多的长线特征而避免使用那些短线特征甚至快退化到“点特征”的短线特征,从而实现比原LSD算法更高的定位精度和更快的数据关联;对综合点线特征的视觉-惯性里程计而言,为了避免出现特征冗余的情况,根据点特征的密集程度,进一步剔除线特征,从而进一步的减少特征提取的数量,以在不影响定位精度的同时减少特征匹配所耗费的时间。3、针对特征法SLAM系统建图稀疏的缺点,本文利用Scharr滤波器求取图像梯度,并提取高于阈值的像素点作为建图环节单独使用的路标点,而不参与定位估算,从而实现既能快速定位又能完成稠密建图的特征法SLAM。并在真实数据集上验证了上述改进的有效性。