近年来,随着无人机（UAV）、自动驾驶、机器人和AR/VR等新兴产物的不断涌现,同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术也逐渐步入大众视野,成为无人系统领域的一个研究热点。基于特征点的视觉SLAM系统应用广泛,但是在弱纹理和高速运动场景下,特征缺失和图像模糊现象会导致系统的定位误差增大,基于相机和惯性测量单元（Inertial Measurement Unit,IMU）的多传感器融合技术可以很好地解决这个问题。在视觉部分引入点特征和线特征,提取环境中更多的几何纹理,同时高频率的IMU可以在高动态环境下测量自身的加速度和角速度,从而弥补视觉传感器的不足。相机与IMU结合形成了一套鲁棒性更强的SLAM方案,被称为视觉惯性里程计。本文通过在单目相机图像中提取Harris点特征和LSD线特征,同时结合IMU提供的三轴加速度计和陀螺仪数据,提出一种基于点线综合特征的视觉惯性里程计,可用于无人机在纹理较少、光照变化明显等环境下的自主定位和位姿估计。主要研究成果包括:1.本文提出了基于点线综合特征的视觉惯性里程计,提取Harris角点与LSD线特征并采用普吕克坐标系描述线特征的几何约束关系,推导了线特征的测量残差相关形式,采用紧凑的LBD（Line Band Descriptor）描述子进行特征匹配。LSD线特征的引入解决了视觉惯性里程计在弱纹理环境中精度下降的问题。2.本文针对多传感器标定问题提出一套相机-IMU联合标定方案,首先使用Allan方差标定法标定IMU的高斯白噪声和随机游走误差,同时使用Kalibr联合标定法标定相机-IMU的内参、外参以及传感器之间的时间漂移,从而获得惯性测量单元数学模型、预积分模型以及初始化和紧耦合模型精确的系统参数,为后续数据融合提供数据支持。3.本文提出了基于非线性优化的紧耦合视觉里程计后端方案,利用滑动窗口机制和边缘化提高了系统的实时性,改进了LM优化算法参数更新策略,提高了系统的定位精度和运行速度。4.本文系统引入了先进的DogLeg非线性优化算法,与传统的非线性优化算法相比,该算法加快了视觉里程计处理速度,使得位姿估计更精确。同时使用了Open MP并行计算库对系统后端海森矩阵拼接进行加速,最终系统在精度不变的情况下,速度较之前提高了12%-16%。最后对所构建的系统进行了实验,分析系统实际估计位姿和数据集提供真实位姿之间的相对位姿误差和绝对位姿误差,并与主流的视觉惯性里程计VINS-mono进行对比,验证本文提出系统方案的有效性。