基于视觉惯性传感器的即时定位与地图重建算法（Simultaneous Localization and Mapping,SLAM）,融合了惯性传感器的稳定与视觉传感器提供的信息量大的优点,已经成为了智能机器人实现自主导航的关键技术。但是,在机器人的各类应用中,面临着光照、气候、地形等条件截然不同的复杂的环境,这些都将造成视觉传感器面临光照条件较差或者是光源辐射出的光能出现变化等复杂光场环境,这些变化将严重影响视觉传感器的测量精度,进而影响了整个SLAM系统的精度。本文围绕着复杂光场下的SLAM问题,分别从视觉惯性传感器融合方式和视觉传感器本身出发,针对如何提高SLAM系统在复杂光场环境中的鲁棒性展开研究。本文主要研究内容包含如下几个方面:首先,针对复杂光场环境下,视觉传感器采集到的图像信息质量下降的问题。利用视觉惯性SLAM系统中视觉传感器与惯性传感器共同解算位姿的优势,将图像信息量的评估值与机器人运行状态值结合,从而对视觉传感器提供的图像质量进行实时估计,并根据估计结果自适应的降低视觉传感器在位姿解算融合时的权重,使得整体系统更少的受到低质量的视觉数据的影响,从而提高了SLAM系统在复杂光场环境中的鲁棒性。其次,针对机器人运行于明暗变化的复杂光照环境会导致的图像质量下降的问题,本文设计了自适应算法来降低相机参数对于场景点实际辐亮度的影响。通过对视觉传感器从环境光的采集到形成图像输出的过程进行分析并建模,设计了相机的响应函数,将图像灰度值拆解成为环境中物体所反射的辐照度、镜头畸变与曝光参数的线性组合,从而将图像数据关联环节中基于灰度值不变数据的关联调整成为基于真实世界点辐照度进行计算,改善图像质量下降导致的数据关联环节误匹配率问题,提高了SLAM系统在复杂光场中的鲁棒性。然后,针对现有算法实时性较差的问题,设计了一种更快速的参数估计算法。视觉惯性SLAM系统中视觉传感器采集的数据有大量的、不包含有效运动信息的场景点,对这些场景点进行辐照度估计既给机器人带来了大量的运算压力,同时又对于机器人自身的位姿估计毫无意义。本文算法在运行过程中不需要计算每一个对应点的具体辐照度。通过实验验证了算法在减少了大量非必要的场景点计算后,改进算法仍能保证整体SLAM过程的精度以及鲁棒性。最后,针对光照条件随时间变化的场景中不同时段的SLAM系统之间地图复用效果较差的问题,本文通过建立环境辐亮度模型的方式改进地图复用算法。针对太阳光在不同时刻光照强度的变化,建立了室外太阳光照环境中的光能投射模型,评估了各个时段之间的光照情况,并估计了在不同光照条件下物体自身所具有的不变的反射率属性,从而令地图路标点描述子基于物体自身反射率计算,使得机器人在光源变化环境中能够更有效的识别不同时刻的特征,从而提高地图复用的精度。通过在太阳光源光照强度随时间变化的场景中进行的实验,验证了算法的有效性。