近年来,无人驾驶、室内外无缝导航定位和AR/VR等技术不断发展,同步定位与建图（Simultaneous Localization and Mapping,SLAM）作为一项核心技术被国内外学者广泛研究与关注,该技术是利用各种传感器采集外界信息实现自主定位和实时建图。视觉SLAM已经成为一项比较成熟的技术,但其受光照强度的影响比较大,不能在弱纹理、特征点缺失以及动态环境下维持良好的鲁棒性。单一惯性导航系统具有短时间定位精度高以及受环境因素影响小等优点,但存在误差累积等问题。因此,本文将视觉与惯性传感器进行融合,利用视觉丰富的场景信息修正惯性器件的误差。而在视觉传感器失效的情况下,又可以通过惯性器件提供位姿的信息,从而弥补单一传感器系统的短板,提高系统鲁棒性。本文的主要研究内容和创新点如下:（1）本文研究了立体视觉与惯性器件融合的前端里程计。在视觉信息处理过程中,本文改进了特征点匹配算法。首先采用Shi-tomasi算法提取特征点,并将改进的BRIEF算法对特征点进行描述,再利用边缘一致性（MAGSAC）算法剔除误配准对,完成图像特征点匹配。（2）针对惯性信息处理,本文研究惯性器件的噪声模型和运动学模型,并详细的阐述其原理。将惯性器件数据进行预积分处理,求解速度、位移、姿态、加速度计偏置以及陀螺仪偏置等信息用于后端优化。（3）本文介绍立体视觉与惯性器件的优化过程,并研究了视觉惯性联合初始化的方法。在后端优化环节,本文改进了目标函数,将全局位姿信息与视觉重投影误差、惯性元件残差、边缘化误差进行非线性优化。从而增加后端算法的约束条件,进一步提高本文算法的鲁棒性。（4）为验证立体视觉与惯性融合算法的有效性,本文搭建实验测试平台,并在公开的数据集KITTI和Eu Ro C上实验测试。将本文算法与VINS、OKVIS、ORBSLAM2和LSD-SLAM等开源算法的测试结果进行对比,并利用evo评估算法的绝对位姿误差。分析实验结果显示,在大部分数据集序列场景中,本文算法的绝对位姿误差均方差小于上述开源算法,且具良好的稳定性和实用性。