行星表面巡视器的自主导航定位是其在未知环境中能够正常运行的根本保障。为提高运动估计的鲁棒性与精度，巡视器一般会搭载多种传感器，其中单目视觉与惯性组合因其轻廉及优势互补得到广泛应用：单目相机可以获取丰富的视觉信息与几何特征但存在尺度不确定性问题，而惯性传感器可以为其提供绝对尺度信息。本文就视觉-惯性传感器组合，深入研究了基于增量式平滑优化算法的视觉-惯性运动估计方法。　　首先从概率角度出发，建立了视觉-惯性运动估计问题的一般数学模型。从最大后验估计开始，在高斯零均值噪声假设以及先验信息已知的情况下，将视觉-惯性运动估计转换为极大似然估计问题，并将其描述成因子图模型；结合视觉-惯性运动估计问题的一般过程模型和测量模型，给出视觉因子节点与IMU因子节点的一般形式。　　而后，利用变量消元法，将因子图模型转换为贝叶斯网，并进一步转换得到贝叶斯树。期间给出了详细的转换与推导过程，并证明了变量消元与QR分解的等价关系。在贝叶斯树基础上，构建了增量式平滑优化算法。　　作为算法验证与应用，基于增量式平滑优化算法，构建了使用人工特征的视觉-惯性运动估计系统。系统使用AprilTag二维码作为人工特征，构建了AprilTag视觉因子；对IMU测量值使用了预积分技术，给出了更为一般情况下也即IMU采样周期不固定以及IMU采样与相机采样异步情况下的IMU预积分量公式。　　最后，对所构建的使用人工特征的视觉-惯性运动估计系统进行了大量算法测试，包括在公开数据集上的对比测试，在真实场景采集数据集上的测试以及在基于ROS+gazebo搭建的火星表面无人机巡视仿真场景中的测试。测试结果表明，基于增量式平滑优化的使用人工特征的视觉-惯性运动估计系统能够获取很高的估计精度，且对光照、运动模糊具有一定鲁棒性；相比于基于EKF的算法，本文所构建的系统能够适用于大尺寸环境，并保持近乎常数的处理效率；仿真测试展示了算法在行星表面巡视器上的应用可行性。