室内智能机器人具备在室内未知复杂场景中感知周围环境并进行自主导航定位的能力,其核心技术是对机器人进行实时准确的状态估计。视觉惯性里程计仅通过融合相机和IMU的传感信息就能够实现室内导航定位的需求被广泛研究。针对室内结构化环境中存在大面积弱纹理区域、简单重复纹理区域、长走廊光照变化等因素,仅基于视觉点特征或者视觉点特征融合惯导的传统方案容易因点特征提取跟踪失败导致定位精度下降的问题,本文引入室内环境中丰富的线特征,并改进点线特征提取匹配算法以及构建点-线-IMU三种信息融合的图优化非线性模型,来提升定位精度和鲁棒性。本文的主要研究工作如下:（1）研究了视觉点线特征的提取匹配算法。针对点特征的暴力匹配存在大量误匹配问题,传统的KNN算法由于强约束筛选条件导致点特征在弱纹理环境下的有效匹配点对很少的问题,研究了基于网格运动统计策略的GMS算法,其基于运动平滑性约束条件,统计对比网格中特征点相似性来进行特征点匹配与剔除。在TUM数据集的室内场景图像对比分析中得出,该方法能够在有效剔除误匹配的情况下保存更多有效的匹配点对;针对线特征提取存在计算量大且线段分割的问题,研究了一种改进的线特征检测提取策略,在进行LSD提取前,利用梯度密度过滤机制预处理机制只对线特征密集区域的边框进行线特征提取而非全部区域提取来降低计算量,并利用线段间的角度特性、相对空间位置特性对相似断线进行合并,提升了线段的提取效果。（2）研究了一种基于点-线-IMU信息的紧耦合图优化模型的位姿估计方法。介绍了IMU预积分以及点线特征的投影测量模型,并推导了IMU预积分残差模型、点特征残差模型和线特征残差模型,进而借助因子图模型构建对于多状态量进行位姿估计的图优化模型。通过Eu Ro C数据集对该位姿估计方法进行定位可行性和定位精度方面的分析,综合均值误差、均方根误差等参数,说明了该方法轨迹定位精度较高,性能比较稳定。（3）实现了一个完整的融合点线特征与惯导的室内定位实验平台。整体框架包括数据预处理、初始化、滑窗非线性优化机制估计位姿、闭环四个部分。与传统的基于视觉点特征与IMU的方案对比,本文融合点-线-IMU信息的方案在Eu Ro C数据集上定位精度平均提升了约10%,在实际场景数据中,本方案的定位轨迹误差大约为0.6%,但未改进方案误差达到约2.8%。综合对比下,本文改进的方案提升了定位精度和鲁棒性。