实时定位与地图创建(SLAM)系统在移动机器人领域应用广泛。单目视觉SLAM系统因其计算量小,结构简单等优势成为当前的研究热点,其缺点是在场景纹理弱或运动过快时容易丢失信息,且单目相机无法获得环境的绝对尺度。而惯导传感器(IMU)可估计自身角速度和加速度从而获得绝对尺度信息,且在缺乏相机信息的环境中可提供位置信息,同时相机信息可以修正惯导的累积漂移。基于此,本文研究了一种单目视觉和惯导数据融合的SLAM方法,可以提高SLAM系统的定位精度和鲁棒性。本文研究了相机姿态估计以及相机和IMU的标定方法。首先,采用KLT跟踪算法对ORB算法提取到的特征点进行匹配,利用MSAC算法对匹配过程中的误匹配进行了剔除,克服了目前常用的去除误匹配算法(RANSAC)存在的阈值选取过于敏感的问题。其次,针对目前求解相机姿态估计算法计算量较大的问题,引入了改进的DLT算法对相机的姿态进行估计,与当前主流的EPn P算法相比,有效地提高了姿态估计的运算速度。最后,研究了利用Kalibr工具标定相机和IMU的方法。在相机姿态估计的基础上,研究了视觉和惯导的联合初始化及优化。首先,采用纯视觉的SFM算法对相机信息进行初始化,获得SLAM系统运行所需初值。其次,利用旋转矩阵进行相机与惯导数据的联合初始化,将相机坐标系和IMU坐标系都变换到世界坐标系下。最后,采用相机与惯导数据紧耦合的方式构建优化方程,减少了传感器因采样频率不同引起的局部漂移问题。针对系统全局漂移问题,通过回环检测和全局姿态优化方案保证系统整体的一致性。通过搭建实验平台对基于单目视觉和惯导数据融合的SLAM方法进行验证。首先对相机和IMU进行标定实验,确定了相机的内参和外参矩阵,并且得到其重投影误差不超过一个像素点。然后利用Eu Roc数据集和实际的环境进行定位和建图,验证了本文的SLAM方法精度高,鲁棒性好。