对于无人驾驶而言,准确和实时的定位结果是其完成出行任务的必要条件,同时定位与建图（Simultaneous Localization and Mapping,SLAM）是解决这一问题的重要手段之一。视觉SLAM是指以相机作为主要传感器的SLAM。常见的视觉SLAM算法是以静态环境作为基本假设而展开的研究。场景静态假设对于存在运动车辆的无人驾驶场景较为苛刻。随着计算机视觉的发展,现有的深度学习算法可完成动静态视觉的区分,剔除动态信息或单独跟踪动态对象。然而仅使用视觉传感器,在光线变化或快速运动场景可能会丢失跟踪。通过融合惯性测量单元可很好地弥补视觉的缺陷,解决跟踪丢失问题,有效提高算法的精度和鲁棒性。综上,本文对面向无人驾驶动态场景的视觉惯导SLAM问题进行了研究,主要完成如下研究工作:首先,完成了动静态对象的识别,分析了现有的实例分割算法和光流估计算法,使用先进的算法结合帧间场景流完成运动对象的识别。其次,从相机的观测模型和IMU的测量模型出发,推导相机位姿的跟踪和IMU预积分模型,以及分析了深度值缺失时三维世界点的估计方式,与此同时,推导动态对象的运动估计和速度估计。再次,建模和推导了视觉SLAM的状态估计,同时详细地推导IMU的状态估计,推导了如何使用非线性优化方法优化视觉和IMU的状态估计。然后联合二者完成系统初始化的优化,系统的初始化先使用松耦合的形式,以视觉优化结果作为先验初始IMU状态,再使用紧耦合的形式完成系统最终的初始化。再通过基于滑动窗口的局部优化、全局优化,提高状态估计的精度和鲁棒性。最后,完成了数据采集硬件平台的搭建和传感器数据同步的算法设计,并在室外驾驶场景完成了数据的采集。同时基于VDO-SLAM算法的框架设计和实现了本文的软件程序,并使用公共数据集评估对比纯动态视觉SLAM和融合了IMU的动态视觉SLAM的定位结果。使用本文搭建的硬件平台采集的数据验证了本文所提算法的适用性。通过实验验证,本文将IMU数据融合到动态对象、静态结构的统一估计算法中,实现了更为准确和鲁棒的定位与建图,同时提供了具有一定精度的车辆速度估计。