对于智能网联车辆,能够实时稳定地获取车辆的精确位姿,是实现自主导航和自主运动的必要条件。基于视觉传感器的位姿估计技术具有成本低、便于硬件布置的优点,因此在智能网联车辆的高精度定位研究中引起广泛的关注。但单目相机无法恢复运动与环境的尺度信息,并且在遇到缺少纹理的区域或动态环境时,由于其视觉信息处理采用基于低级特征的方法,从而导致系统鲁棒性不佳甚至功能失效。视觉惯性融合的位姿估计方法在纯视觉位姿估计方法的基础上,融合了消费级惯性传感器的加速度、角速度测量信息,在维持成本优势的基础上精度和鲁棒性更佳,在移动机器人和自动驾驶车辆位姿估计领域取得大量研究进展和实际应用。在视觉惯性融合定位系统中,通过将视觉观测和惯性测量紧耦合处理用以估计载体6自由度位姿,在载体快速运动中或在剧烈光照变化的情况下也会产生较好的估计结果。当应用于地面车辆时,传统单目视觉惯性位姿估计方法在匀速直线运动或匀速圆周运动等工况下存在无法观察到退化运动,即可观测性发生变化的情况,此外,单目视觉惯性位姿估计方法由于受到系统非线性和无法直接观测距离的限制,在惯性测量元件激励不足下的初始化过程一直是一个巨大的挑战:一方面,单目视觉由于其自身测量限制无法估计环境及自身运动的公制尺度,并且纯视觉位姿估计算法在快速运动或动态环境下鲁棒性较差;另一方面,在初始化期间,惯性测量元件的激励不足将导致陀螺仪和加速度计的偏置估计通常难以收敛,进而导致基于视觉惯性测量松耦合的初始化方法失败,在这种情况下,整个系统的初始状态,即尺度信息、载体速度、重力向量和偏置项不能快速准确地估计。相较于视觉和惯性传感器在特殊工况下对尺度观测的限制,车辆里程计可稳定获取具有直观尺度信息的车辆运动测量。如何将消费级的视觉惯性传感器与能准确反应车辆运动的车辆里程计进行有效融合,从而提升多传感器融合定位系统在多种工况下的位姿估计精度与鲁棒性,是目前很有价值且具备旷阔应用前景的技术研究问题。为了解决传统的基于视觉惯性融合的位姿估计方法在应用于地面车辆时出现的鲁棒性欠佳、精度不高和可能初始化失败的问题,本文提出车辆运动约束的紧耦合单目视觉惯性里程计算法,该方法利用CAN总线从车辆控制单元获得高频车辆运动信息,采用车辆运动学模型来估计车辆的线速度和角速度状态,并将测量值进行积分,使用基于滑动窗口的非线性优化方法来处理紧耦合的单目视觉、惯性测量单元和车辆里程计的测量约束,估计车辆状态。紧耦合的测量约束有助于估计准确的车辆运动状态,此外,车辆运动信息的引入使状态估计系统对于自动驾驶的应用具有更强的鲁棒性。本文的主要贡献是提出一种适用于智能网联车辆的将单目视觉、惯性测量单元与基于车辆运动学模型的车辆里程计紧耦合的多传感器融合定位框架,并基于该框架提出鲁棒的系统初始化方法,能够从未知的初始状态引导基于滑动窗口的非线性优化求解器。此外,针对基于车辆运动学模型的车辆里程计测量过程的系统误差,提出了基于误差状态卡尔曼滤波的车辆运动学模型系统误差参数估计方法,无需外部辅助装置就能够在车辆运动的同时在线标定车辆里程计的内外参数,并通过多种工况下的实车实验评估算法准确性,证明系统误差参数估计算法及外参估计算法的有效性。针对本文所提出的多传感器融合定位算法,基于实车在园区小场景环境和开放大场景环境中进行了多种算法的对比实验,实验表明,与现有的视觉惯性导航方法相比,本文提出的算法实现了更高的定位精度和鲁棒性。