同步定位与地图构建（Simultaneous localization and mapping,SLAM）技术对机器人的定位和导航非常关键。视觉传感器无法克服光照不足、纹理缺失、快速运动的场景,而惯性测量单元（Inertial measurement unit,IMU）具有快速响应、不受成像质量影响的特点,通过惯性导航原理计算位姿。因此,视觉传感器与IMU的互补进行定位,形成了鲁棒性更强的SLAM方案,称作视觉-惯性里程计（VisualInertial Odometry,VIO）,被广泛应用在弱GNSS（Global Navigation Satelite System）信号场景,通过该技术,智能机器人对自身进行准确定位,并执行相关的任务。本文利用RGBD传感器获取到的双目相机图像及IMU数据,提出了一种基于非线性优化的紧耦合的双目视觉惯性里程计,适用于光照昏暗、动态模糊、快速运动等条件下的自主定位。同时,将紧耦合的VIO系统部署到无人机,为了紧密使用可获得的传感器数据,利用扩展卡尔曼滤波技术,将无人机的IMU数据融合进系统。将无人机自身的高频率高精度的IMU数据与VIO系统进行松耦合,搭建了同时拥有紧耦合与松耦合技术的飞行器硬件和软件平台。主要研究内容包括:第一,对RGBD传感器的相机-IMU进行联合标定,并对双目红外相机及IMU进行时间戳和坐标系对齐;研究VIO的初始化和后端优化,通过构建优化函数,使用Bundle Adjustment进行后端优化,获得优化后的位置、速度和方向。第二,通过硬件选型及软件搭建,将VIO系统移植到飞行器。通过加入飞行器自身的IMU数据,使用扩展卡尔曼滤波技术进行松耦合,弥补了RGBD传感器所携带的IMU频率稍低、精度低的问题,将位姿输出从15Hz,提高到了50Hz。第三,针对平台的硬件设备,采用传统的基于先验信息的目标检测及基于滤波的KCF算法,能够在初始化时检测目标,然后利用跟踪算法进行跟踪,并通过插值可视化航迹路径,构建了一套基于多传感器融合的自主定位无人机的应用系统。本文提出的双目VIO算法,相对于当前主流的ROVIO及VINS-MONO算法,通过比较绝对位姿误差相关指标及飞行轨迹的全局一致性,在数据集下精度提升20%以上。在室内真实场景下,通过融合无人机自身的IMU数据获得飞行时的位姿,与室内视觉捕获设备获得的真值做对比,其效果对于双目VIO算法有一定的提高。并在弱GNSS条件下,能够进行室内的目标检测、跟踪、航点生成的应用。