随着新一轮人工智能技术的变革和社会工业化发展的加速,移动机器人技术受到了更加广泛的关注和普及,机器人同步定位与建图技术(SLAM)是其中一项关键技术。目前主流的视觉SLAM技术主要以环境中的点特征作为视觉观测,但在室内弱纹理环境下,往往容易因为视觉观测不足导致定位精度低或者定位失败的现象。而使用线特征作为视觉观测往往能够很好地弥补点特征观测不足的问题,因此本文研究并构建了基于点线特征的视觉惯性SLAM系统,旨在提升系统在室内环境下的定位精度和鲁棒性。对于图像中的点特征,使用Shi-Tomasi特征点检测方法和KLT光流算法进行检测和跟踪,并使用三角测量原理对点特征进行重建;对于图像中的线特征,使用LSD直线检测算法和LBD描述子进行检测和匹配,使用普鲁克坐标和正交坐标分别表示空间中的直线,方便对直线坐标进行坐标变换和非线性优化。另外,构建了点特征和线特征的重投影误差模型,用于非线性位姿优化。对于IMU测量,利用其积分得到初始位姿的估计值,并作为非线性位姿优化的初始值,然后计算IMU预积分用于在非线性位姿优化中构建IMU测量误差。在非线性位姿优化中,使用滑动窗口模型控制关键帧数量,采取两种边缘化策略来更新窗口中的位姿,并利用边缘化方法将被移除的关键帧信息保留为先验信息。在优化过程中,利用IMU测量误差、点特征和线特征的重投影误差以及先验信息,共同构建误差方程,利用非线性优化方法对局部位姿进行迭代优化,来获得更加精准的位姿。为了减小系统长时间运行产生的累计误差,利用视觉词典和词袋模型进行回环检测,构建回环边加入到位姿图中并对其进行全局位姿优化,利用优化前后的最新位姿计算系统的累积误差,并修正实时位姿估计。最后,使用本系统在开源数据集Euroc上进行结果和精度的测试,并计算系统估计出的位姿与数据集提供的真实位姿之间的误差。同时与主流视觉惯性SLAM算法VINS-Mono进行比较,实验结果表明,本文构建的SLAM系统可以获得较为精准的位姿估计并满足实时性需求,且在室内弱纹理条件下定位精度略高于VINS-Mono,同时利用线特征构建的环境地图可以更好地还原环境信息,有利于后续更多应用的开发。