四旋翼无人机具有小型化、垂直起降等优势,经常在环境探测、智能搜索等环境下使用。由于真实环境的复杂性及不确定性,通常使用的GPS定位技术可能存在信号不佳的情况。视觉传感器具有体积小、重量轻、信息丰富等优势,基于视觉的实时自主定位与建图技术（Simultaneous Localization and Mapping,SLAM）一直是学者研究的重点。本文搭建了一套基于优化的视觉惯性紧耦合定位系统框架;为了拓宽视觉定位的使用环境,提出了基于点线特征的视觉惯性定位技术;提出了可实时变换的视觉建图系统,实现对环境信息的探测。本文研究内容包括:首先,考虑到无人机定位精度及机载计算能力,提出完整的基于非线性优化的紧耦合视觉惯性定位算法框架。针对视觉特征处理部分,提出了双目同步与曝光设置方法,并采用点特征的提取匹配跟踪及深度恢复处理方法;针对状态优化解算部分,对IMU数据进行滤波、计算预积分作为图像之间的位姿先验信息、使用扩展卡尔曼滤波对姿态进行更新以保证飞行时的姿态稳定性,然后构建了以IMU、点特征、定高雷达为约束条件的非线性优化方程并进行位姿优化求解。其次,为了提升视觉定位在结构化环境中的鲁棒性及定位精度,对基于点线特征的视觉惯性紧耦合定位算法进行研究。图像特征处理部分提出了线特征的提取与描述方法对线特征进行匹配跟踪,提出了两种方法对线特征进行参数化;状态优化部分构建了线特征深度恢复、坐标转换及特征投影方程,以建立多帧图像间的线特征关系,通过正交参数化方法设计了线特征约束方程,构建基于IMU、点特征、线特征及定高雷达约束的非线性优化方程,迭代计算优化位姿。在不同实验场景下进行了对比实验,验证点线特征算法在结构化环境下的特点。最后,提出了基于面元的视觉稠密地图重建方法。该方法满足三维重建的稠密特性,且位姿由于优化产生变化时地图能够随之实时变形,保证了全局一致性。本章对灰度图像进行四叉树划分,并对部分像素使用深度滤波器求解深度,利用动态置信传播及深度插值获取完整深度图;将深度图像拟合为面元进行地图表示,并利用面元的提取与融合建立全局可扩展与实时更新的地图;可供选择的将全局地图转化为占据概率地图用于运动规划等任务。通过在不同环境下进行实验,验证了视觉建图的可行性与可靠性。