近年来,各个领域对智能机器人的需求量逐渐增大。在一些应用场景中,面临的场景较为复杂。在这些复杂环境中,机器人的GPS信号不容易实时接收到,导致机器人的位姿信息很难获取,对机器人的导航控制提出了很大的挑战。因此越来越多的研究者开始关注基于视觉SLAM（Simultaneous Localization And Mapping）的定位方案。然而视觉SLAM的输出频率低,在快速运动或者旋转时鲁棒性差,如何提高算法的鲁棒性是视觉SLAM重要任务。本文的主要研究内容包括:（1）针对视觉SLAM的鲁棒性差的缺点,提出了一种双目视觉与惯性传感器融合的定位算法（Visual-Inertial Odometry,VIO）,它将双目相机与低成本的惯性测量单元（IMU）结合起来。IMU的输出频率高、短时间内的旋转运动计算相对准确,可以解决视觉SLAM输出频率低的问题,同时提高位姿估计精度和鲁棒性。（2）视觉SLAM算法计算量较大,由于尺寸和成本的限制,在某些应用中难以使用高精度的传感器和运算能力较强的处理器。在本文中,为了降低计算成本,使用FAST特征点来提取特征点并通过KLT稀疏光流法跟踪。此外,为了减少光流跟踪带来的误匹配,本文通过双目之间的约束来降低误匹配量,并在前一帧的双目图像对和当前帧的双目图像对之间执行RANSAC算法,以消除双目匹配和特征跟踪步骤中的异常值,减少特征点的误匹配。本文在后端优化的目标函数中,也加入双目的约束信息,从而提高了系统的鲁棒性和准确性。（3）最后,本文通过使用公开的EuRoC数据集来定量的评估所提出的算法,比较了基于优化的单目VIO算法与基于滤波的双目VIO算法。实验结果表明,本文提出的基于优化的双目VIO算法定位精度更高,鲁棒性更强。本文也通过搭建的硬件平台,进行了真实实验,可以直观的看出,在连续长距离定位中,开启回环检测后,表现良好,精度更高。本文最后在定位算法的基础上进行了地图构建实验,通过视觉惯性融合算法得到的相机位姿与双目深度图进行融合得到三维空间的稠密点云地图,再通过第三方库将点云地图的转换为实际场景的八叉树地图。通过构建的地图结果也可以反映出,本文的定位算法的位姿估计准确。