近些年来,基于视觉与惯导信息融合的定位技术由于成本低廉受到广泛关注并且已经可以应用于日常生活中。对于视觉与惯导信息融合的定位技术的研究不仅可以通过惯性测量单元（IMU）来补偿外部环境对视觉系统的影响,也能够利用相机提供的图像信息来补偿IMU带来的累积偏差,从而使定位技术具有良好的精度以及鲁棒性。目前对于视觉与惯导信息融合方案的研究主要有基于非线性优化以及基于滤波这两种方式,前者精度较高但却十分耗费计算机资源,而后者实时性较高但是精度又难免下降。本文主要针对基于多状态约束卡尔曼滤波的视觉与惯导数据融合定位技术进行研究,旨在提升算法定位精度的同时又兼顾实时性能。本文的主要内容以及研究方案如下:1.对基于视觉信息的图像处理技术进行研究,通过实验分析了几种不同的特征点提取策略,选取其中最适合本文的特征点提取方案,然后利用LK光流法对特征点进行匹配或跟踪,本文的特征点提取和匹配方法得到的特征点质量更好且兼顾实时性能。2.对基于视觉和惯导信息融合的定位技术进行研究。构建合适的系统状态向量并推导惯性/视觉里程计的运动模型和观测模型,设计多约束状态卡尔曼滤波器估计运动状态,并实现了一种关键帧的筛选方案,筛选出关键帧序列,然后提取关键帧位姿以及点云信息,用于判断是否构成回环检测。3.针对传统的基于多状态约束卡尔曼滤波算法在长期运动过程中造成累积偏差的问题,本文基于词袋模型结合关键帧位姿进行回环检测并校正系统位姿,之后利用EUROC数据集进行实验来验证回环检测。4.搭建本次工作所需的软硬件环境,基于数据集进行仿真实验分析并验证了可能影响定位算法精度的因素。然后与MSCKF算法进行对比,分别从准确性以及实时性的角度对定位算法进行评估,最后结合无人车硬件设备进行实物测试,分析定位效果。结果表明,本文研究的定位算法在精度以及实时性方面都有出色的表现。