近年来,随着位姿估计技术研究的深入,其核心同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）逐渐成为了无人驾驶领域的研究热点内容,并表现出了巨大的发展潜能和应用价值。SLAM技术中的视觉SLAM技术凭借传感器成本低廉、获取数据方便的优点,成为众多无人驾驶项目的首选方案。目前针对于一般的环境,大多数的开源视觉SLAM算法都能很好的完成环境的构建,但很难对付低结构纹理信息或者黑暗的环境,如隧道、森林、大雾天气等情况。因此,本文针对无人驾驶在低结构纹理信息环境下面临的挑战,深入研究并提出了一种基于视觉传感器与惯导相融合的SLAM系统。针对无人驾驶对环境精确构图的需求,本文建立了均值滤波器以及深度变化约束方程模型,解决了SLAM系统的视觉里程计在采集图像的过程中,存在干扰信息的问题。在此基础,设计了一种基于点云特征的动态物体去除算法,解决了SLAM系统前端存在动态物体的问题,从而得到一个真实的静态物理环境。在此基础,针对于无人驾驶在结构纹理信息缺失场景下,特征点数目少,闭环检测速度慢的问题。基于2D平面匹配相比3D空间匹配的速度优势,本文提出了一种系统降维的快速闭环算法,2D平面迭代最近点法（Iterative Closest Point,ICP）,解决了SLAM系统闭环检测速度慢而产生误差累积的问题,并进一步根据环境中垂直特征信息提取垂直向量,对系统进行位姿优化。针对于SLAM系统前端精度不足的问题,本文引入了惯导传感器（Inertial Measurement Unit,IMU）,对SLAM系统整体的精度进一步提高,在对惯导进行点云去畸变、参数设置和预积分后,搭建了一套视觉-惯导的SLAM系统模型,并将SLAM系统中的变换度和不确定度加入后端图优化模型的节点。最后,基于视觉算法评测数据集KITTI数据集对SLAM系统的前端、闭环和后端分别进行仿真实验。系统前端的动态去除实验结果表明,基于点云特征的动态去除算法能够有效的将环境中的行人和车辆等动态信息标记出来;降维系统的快速闭环实验结果表明,2D平面ICP可以更快速的完成SLAM系统的闭环检测;系统后端的图优化实验结果表明,惯导的引入提高了采集的数据点匹配精度。在此基础,基于Real Sense深度相机和Xsens惯导传感器搭建了一套完整的视觉-惯导SLAM系统的测绘平台,并对学校的教学楼和操场环境进行了测试,仿真结果和实验结果都表明,与开源的视觉SLAM算法相比,本系统在低结构纹理信息环境下的精度得到了明显的提高,同时保证了SLAM系统各个环节的稳定性与鲁棒性,验证了系统的真实性和可行性。