传感器技术的进步,推动机器人感知能力不断向前发展。即时定位与建图（Simultaneously Localization and Mapping,SLAM）技术赋予机器人依靠传感器独立自主理解环境并确定自身在环境中的位置的能力,具有重要的研究和应用价值。依靠视觉和惯导传感器融合定位建图的问题称为视觉惯导融合SLAM（VI-SLAM,Visual Inertial SLAM）问题,其本质上是一类依靠传感器测量求解机器人位姿和地图的非线性优化问题,通常由因子图来建模此类问题;VI-SLAM不可避免的受到不断增长的状态和约束（传感器观测）的影响,使得优化问题的规模不断扩大导致其无法实时求解。为了限制VI-SLAM问题的规模,人们提出滑动窗口和边缘化策略以平衡速度和精度的矛盾,极大促进了VI-SLAM的发展。然而边缘化先验固定了窗口中状态的线性化点,导致状态估计的线性化误差累积;同时边缘化先验造成路标点状态关联,从而导致求解该问题的海森矩阵“填充”,使得该问题的稀疏性丢失,降低了运算效率。为了解决上述问题,本文基于非线性因子恢复,提出了一种从边缘化先验中恢复稀疏拓扑和非线性因子的因子图稀疏化方法,并将其应用于VI-SLAM中替代边缘化先验,恢复了VI-SLAM的稀疏性并实现了闭环的信息一致性。本文首先由拓扑结构出发,提出了一种简化的因子图模型,该简化的因子图降低了优化问题的规模,同时使得VI-SLAM前端获得更好的跟踪质量;其次,本文基于最小正则KL散度（Kullback-Leibler Divergence）,验证了以简化的拓扑近似边缘化先验拓扑的有效性。再次,本文基于局部线性化策略和最小化KL散度,提出一种在简化的因子图拓扑上恢复非线性因子测量和信息的方法;该方法显著提高了因子恢复的精度,缓解了VISLAM前端广泛存在的线性化误差累积问题,同时降低了以非线性因子替代边缘化先验的信息损失。最后,本文在非线性因子恢复的基础上,提出同时考虑测量和信息的一致性位姿图优化,使得后端优化更准确地消除前端累积误差,同时能够实时估计轨迹上的定位质量,从而更好的满足机器人感知和决策的需求。本文在公开数据集上进行了详细地实验,并与其它算法如VINS-Mono、OKVIS等对比,验证了所提出算法的有效性。