随着计算机视觉,惯性导航和多传感器融合技术的发展,利用视觉惯性同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）算法解决在非结构化的场景中,GPS信号弱的观测条件下,机器人定位与位姿估计问题,逐渐成为了SLAM领域的热点研究方向。视觉惯性SLAM性能会受到场景纹理特征,光照变化,载体运动速度与传感器噪声的影响。为了减小上述因素对位姿测量结果的影响,SLAM算法通常采用滤波或者非线性优化的方法减小累积误差。而基于滤波的方法存在大量的线性化误差,基于非线性优化的方法会占用大量的计算资源,在小型移动平台上难以保证实时性。考虑到这些问题,本文提出一种同时使用滤波与非线性优化方案的双目视觉惯性SLAM算法。论文的主要研究工作包括:1)研究了视觉惯性SLAM的中视觉特征提取与匹配的方法,提出了一种通过BRISK法进行视觉特征的提取,再采用经过梯度金子塔改进的LK光流法进行特征跟踪的算法。针对惯性测量单元（Inertial Measurement Unit,IMU）与双目相机采样频率不同导致的IMU重复积分问题,介绍了IMU的预积分的推导过程,提供了对视觉惯性测量数据进行紧耦合的前提。2)提出了一种同时采用扩展卡尔曼滤波（Extend Kalman Filter,EKF）和增量式光束平差法（Incremental Bundle Adjustment,IBA）的紧耦合双目视觉惯性SLAM算法。在前端利用EKF紧耦合视觉惯性测量信息,建立多状态约束模型并在传统的EKF更新中加入信息增广。为了减小EKF产生的线性化误差,在后端设计利用了滑动窗口的含有全局BA与局部BA的增量式光束平法来优化位姿估计结果,并通过前端EKF优化后的关键帧与边缘化,减小了计算资源的占用。并设计回环检测,以保证在长距离回环运动中位姿估计的鲁棒性。3)自主搭建了以ZED双目相机与IMU作为传感器的移动机器人平台进行算法的实验验证。在公开数据集上与只采用滤波方法或者优化方法的SLAM算法相比较。实验结果显示,本文算法能够减小位姿估计的线性化误差提升估计精度,并减少对计算资源的占用。利用移动机器人实时地在约20 m2的室内环境下运动进行位姿估计,其结果验证了所提出算法的实际可行性。