随着互联网与人工智能技术的飞速发展,移动机器人已逐步朝着智能化方向迈进。同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是移动机器人实现智能化的基础,而单目视觉SLAM系统因本质的不足已无法满足系统的精确性与实时性,因此本文研究多传感器融合技术来提升单目视觉SLAM系统的精度与时效。本文主要从以下四个方面进行研究:（1）深入研究单目视觉SLAM的运动估计问题。经典的单目视觉SLAM框架可以分为视觉前端、后端、回环检测与建图四个部分。针对前端单目视觉里程计中,采用ORB特征提取算法存在特征分布不均、堆叠等现象,提出一种改进的ORB特征均匀提取算法。该算法与金字塔LK光流跟踪、特征优化和随机采样一致性算法相结合,能够提升特征匹配的准确率与效率。（2）针对单目视觉SLAM自身的尺度不具有绝对性而导致的轨迹与地图大小不固定问题,以及相机的剧烈晃动与快速移动导致的运动模糊和目标点跟丢问题,本文将惯性测量单元（Inertial Measurement Unit,IMU）信息与视觉信息相融合来恢复相机的绝对尺度,并借助IMU的高频测量特性辅助相机的快速移动,减少跟踪丢失的情况。针对IMU的偏差存在不确定性,本文提出一种基于最大后验估计的IMU初始化方法,采用松耦合的方式估计视觉与IMU数据融合的初始值。（3）针对因对多个关键帧同时进行状态估计产生大量的计算消耗问题,引入滑动窗口并结合稀疏边缘化,同时将视觉、IMU与边缘化先验的残差项构建成一个代价函数,通过基于动态权值的紧耦合非线性优化算法完成状态估计,提升系统的处理效率。引入回环检测减小其单向传递的累积误差,采用位姿图优化构建具有全局一致性的位姿图与稀疏点云地图,最终构建一个完整的视觉惯性SLAM系统。（4）在基于ROS的Ubuntu16.04系统下,利用Euroc数据集对本文的研究内容进行测试与分析。首先,验证了提出的特征均匀提取算法的提取效率与均匀性;然后,完成了金字塔光流跟踪粗精匹配与暴力匹配的对比实验;其次,将提出的IMU单独初始化方法再进行松耦合联合初始化进行测试,验证了联合初始化中初始值的收敛速度和算法的鲁棒性;最后,在光照不足与快速运动环境下进行视觉惯性SLAM系统的定位与建图实验,验证了不同环境下加入回环检测的重要性,并与数据集的真实轨迹和现有的OKVIS系统误差对比,提升了系统的定位精度。