本文针对在室内特定环境下,由于BDS（Bei Dou Navigation Satellite System,北斗卫星导航系统）信号缺失,造成移动机器人无法自主巡航的问题,提出基于SLAM（Simultaneous Localization and Mapping,即时同步定位与建图）技术,采用多传感器数据交互融合的理论实现一种视觉惯性融合定位方法。论文主要研究内容如下:（1）视觉信息和惯性测量数据获取:提出I-LK（Improve LK,改进光流法）追踪FAST角点的视觉里程计,解决移动机器人特征提取追踪的实时性和动态物体造成环境局部特征点大位移运动和误匹配问题;通过惯导位姿推算构建IMU（Inertial Measurement Unit,惯性测量单元）流形预积分离散模型。经过四种场景图像对比实验,表明I-LK算法单帧处理速度能满足视觉场景信息获取的实时性,且在动态场景中保持着对象特征的追踪稳定性;分析了IMU随机误差,获得先验噪声和随机游走偏置约束量,提高惯性测量单元的响应速度和位姿解算精度。（2）视觉信息和IMU测量数据融合定位:提出基于视差和跟踪质量的关键帧筛选策略和视觉惯性旋转外参在线标定方法;然后建立视觉位姿和IMU预积分项的松耦合约束,对其采取分步优化迭代方法求解出视觉惯性系统的精准初始参数,加速系统收敛。最后在基于关键帧的滑动窗口内构建视觉重投影误差、IMU预积分残差和边缘化先验残差的联合非线性优化模型,实现视觉惯性数据的紧耦合以及系统的精准定位功能。通过EuRoc数据集中的普通、中等以及困难模式场景初始化测试,验证视觉惯性初始化和数据融合定位的成功与否。实验表明在普通场景下,系统在13秒到达稳定追踪状态。然而随着场景难度提升,系统达到收敛状态的时间与之增长。（3）视觉惯性融合定位试验和分析:搭建实验平台对构建的视觉惯性系统进行数据集和真实环境测试。通过与优秀开源算法进行数据集定位性能对比,视觉惯性系统定位均方根平均误差为0.201m,综合性能优于OKVIS,略逊于VINS-Fusion;在真实场景下,实验室轨迹定位精度为0.212m,建筑物楼层轨迹定位精度为0.216m。实验结果表明,视觉惯性系统在室内未知环境下,自主定位精度为0.20-0.22m,满足现有室内VI-SLAM的定位精度需求。