同步定位与建图（Simultaneous Location and Mapping,SLAM）是指移动机器人利用携带的传感器估计自身位姿的同时,构建和更新未知环境地图,它是移动机器人控制与规划的前提和基础。纯视觉SLAM系统容易受到环境的影响且存在尺度模糊的问题,而惯性导航元件（Inertial Measurement Unit,IMU）具有不受环境影响的特点,与视觉传感器形成了明显的互补。基于此,本文在对视觉和惯导数据处理方法展开研究的基础上,提出了一种单目视觉和IMU结合的SLAM系统。本文主要研究内容如下:1)对视觉数据和IMU数据的处理方法进行了研究和分析。首先介绍了针孔相机模型下的投影方程和畸变模型,引入了旋转的三种表示方法并且推导了其相互转换关系;然后基于投影方程和立体视觉的几何不变量推导了纯视觉位姿估计的方法,包括对极几何、三角测量、Pn P和bundle adjustment等,并且对各种位姿估计方法的局限性和适用场景进行了分析;最后我们从运动方程出发推导了在流形上的IMU预积分观测值及其不确定性。2)提出了一种鲁棒的高精度实时视觉惯导SLAM系统。系统首先通过松耦合视觉和惯导数据初始化系统参数和初始状态,初始化方法不需要假设系统初始状态静止或者初始方向与重力对齐,增强了系统鲁棒性,并且估计了加速度偏置,使得对于低成本惯导也具有较好初始化效果,初始化方法为后续非线性优化模型提供了准确的初值;然后我们同步进行IMU预积分和视觉特征追踪,紧耦合IMU预积分观测值和视觉特征点观测值,从而估计系统的实时状态;前端通过两个线程提取不同数量特征点:一方面提取并追踪较少特征点用于后端优化,这有利于减少非线性优化模型参数空间维度,降低系统的计算复杂度;另一方面通过提取较多的特征点用于描述图像,提高回环检测的准确率;针对误差引起的系统漂移问题,我们使用了回环检测模块向系统添加重定位信息,减少了漂移的影响并且增加了系统的稳定性和鲁棒性。3)对所提出系统进行了评估。我们使用开源数据集Eu Ro C从精度、计算效率、鲁棒性等角度对系统进行了评估,评估包括三个部分:系统初始化收敛性、参数评估以及系统精度评估。结果表明:所提出系统在快速运动和弱纹理场景下仍然可以快速初始化,陀螺仪偏置由于只和姿态有关收敛时间比加速度更短;系统精度与特征点数的并没有直接的依赖关系,我们可以在不损失系统精度的情况下,适当减少特征点的数量,提升系统的运算效率;系统精度和前沿的视觉惯导SLAM框架VINS相当,在部分数据集上表现优于VINS;回环对系统定位精度有明显的提升,可以有效地校正累计误差引起的系统漂移。