同时定位与建图（Simultaneous Localization and Mapping,SLAM）是当今机器人技术研究领域最活跃的课题之一。随着SLAM技术的发展成熟,其逐渐被应用到各式各样的设备中,用于解决不同性质的问题,更多应用需求的出现在使现有技术得以发挥作用的同时,也面临着更多挑战。目前大多数视觉SLAM系统都是从图像获取单一的点特征信息来进行位姿估计,这就要求环境中拥有丰富的纹理特征,才能提供足够多有效的点特征。然而存在一些具有挑战性的场景,比如纹理少、运动模糊的场景,无法从这些场景中提取到足够的特征点,为了保证跟踪不丢失,需要引入更多的视觉约束。室内人造场景拥有丰富的结构线条信息,将线特征作为一种视觉约束参与到位姿解算中,有助于提高视觉SLAM系统的精度与鲁棒性。本文对基于点线特征的视觉惯性SLAM技术的整体框架进行了理论研究,对SSWMS、Canny Lines、LSD等线特征提取算法进行了综合性能的对比研究,并提出了改进方法。在特征提取与跟踪阶段,对输入图像提取角点并采用光流法跟踪,采用本文提出的改进的EDLines算法提取图像中的线特征,并计算描述子来进行匹配。此外,在特征融合方面引入了点线特征加权思想,根据点线特征的丰富程度、空间分布标准差以及线段长短来调整相应的权值,对各自的重投影误差进行加权,再通过非线性优化的方式进行位姿估计。本文在标准数据集与实际场景下进行系统测试,均取得了良好的效果。使用标准数据集测试时,首先针对本文提出的改进方法进行了测试,验证了改进方法的有效性,证明了改进线特征提取算法与引入点线特征加权策略均可以使系统的性能有所提升。此外,将本文方案与一些优秀的方案进行了对比,证明了本文方案在定位精度上高于VINS-Mono和PL-VIO,整体性能优于PL-VIO,是一个能够实时运行的SLAM方案。最后,在实际场景测试时,分别在两个场景下进行了实验,与VINS-Mono和PL-VINS进行对比。对于实测场景二,系统绝对轨迹误差的均方根为0.081 m,在定位精度上高于PL-VINS与VINSMono。