随着人工智能时代的到来,无人化、智能化已经成为移动机械发展的必然趋势。视觉里程计作为一种新型的定位技术,其系统造价低廉、应用场景灵活,逐渐成为移动机械自主定位的重要方式。传统的视觉里程计采用相机作为唯一的信息传感器,其定位性能不仅依赖于传感器精度,还受到场景特征数量和载体运动状态的影响。由于移动机械工作环境的复杂性和执行任务的多样性不断提高,单一的视觉传感器已经难以满足其定位系统实时性和稳定性的需求。在最新的传感器融合定位研究中,研究人员结合惯性测量单元（Inertial Measurement Unit,IMU）和相机构建视觉惯性里程计,并添加先验地图中的三维信息作为约束,提高系统整体的定位精度和鲁棒性。而不同传感器数据的融合会增加算法的复杂度和计算量,因此还需要对系统作进一步改进和优化。本文的工作围绕基于视觉的传感器融合定位技术展开,主要的研究内容如下:（1）提出了一种结合双目相机和IMU测量信息的视觉惯性里程计算法。该算法结合视觉信息和惯性测量数据进行初始化,提高初始地图和系统初始参数的准确性;同时,在视觉运动跟踪的过程中采用加权先验模型,以适应复杂工况下的运动估计;将简化的视觉误差项和IMU误差项放在滑动窗口中联合优化求解,提高系统的鲁棒性和计算效率。（2）在所提出的视觉里程计算法的基础上,构建了一种基于先验地图信息的视觉定位框架。首先,对目标场景的三维点云数据进行预处理,得到该场景中稳定的三维线特征;在实时的视觉定位过程中,检测当前帧图像中的二维线特征,并根据视觉惯性里程计的初步定位寻找相似的三维线特征进行匹配,根据两者间的投影关系对视觉惯性里程计的定位结果进一步迭代优化,进而实现在目标场景中的高精度定位。（3）设计了在公开数据集和真实场景中的实验,对视觉惯性里程计以及基于先验地图的视觉定位框架进行了性能评估。实验结果表明,本文提出的视觉惯性里程计算法在数据集中表现出了更好的定位性能和实时性（相较于ORB-SLAM2和VINS-Fusion）,并且能够实现真实场景中的环形运动估计;在数据集房间场景中的实验表明,基于先验地图的视觉定位方案可以有效地提高视觉惯性里程计在目标场景下的定位精度和鲁棒性。