随着越来越普及的智能化的时代的来临,诸如自动驾驶、无人机自主定位等高新高智能行业的快速兴起,室内定位需求快速增加,而传统基于GNSS和IMU的耦合定位方法在无GNSS或弱GNSS的室内场景下会失效,如何解决在无GNSS室内场景中的自主定位问题,是自动驾驶、智能机器人等领域的核心。由于视觉SLAM方法不依赖环境的先验信息搭配视觉传感器即可实现对未知环境的定位,且IMU与视觉SLAM方法具有非常良好的互补性,因此基于IMU-视觉SLAM融合的定位成为室内定位的热门研究点。传统基于单一点特征的视觉SLAM方法,在面对低纹理场景中时由于特征缺失其鲁棒性较低,而线特征在诸如白色墙面等场景中却非常丰富,因此本文首先基于点线特征建立帧间追踪提高系统的鲁棒性。场景的不同会导致点、线特征的性能产生差异,基于此本文提出基于场景分割建立自适应的点线特征的视觉估计模型。最后在建立自适应的点线加权追踪模型后,基于IMU预积分理论,完成系统初始化和建立IMU与视觉的紧耦合方法,从而建立基于场景反馈的视觉-IMU紧耦合的单目视觉SLAM室内定位系统。本文具体内容如下:(1)前端建立多特征的观测模型:首先充分分析单一点特征鲁棒性较低的场景和对比分析线特征的优势所在,完成点线的帧间追踪并建立多特征位姿估计模型;(2)考虑到场景的不同,点线特征性能会产生明显的差异,因此本文基于U-net网络对场景进行分割并对影像进行分块加权,并对各分块按距加权建立整张影像的点线权重比,最后建立视觉端自适应估计模型的舒补尔方程;(3)根据IMU预积分理论推导IMU测量值与运动估计关系,完成系统初始化、IMU与视觉的紧耦合,建立基于Levenberg-Marquard方法的IMU-视觉紧耦合的位姿估计,最后介绍系统的闭环检测与全局优化从而完成融合IMU的场景反馈单目SLAM系统。通过本文研究内容与方法,实现了基于场景反馈的视觉-IMU紧耦合SLAM定位系统,最后基于开源数据集EuRoc和Trifo Ironsides Dataset对本文提出的方法进行验证,结果表明,与参考方法相比本文提出的方法能进一步的提高定位精度。