随着工业机器人和服务机器人领域快速的产业发展,移动机器人定位技术在广泛的行业应用中引起了众多关注,在室内摄影测量相关的同步定位与制图（Simultaneous Localization and Mapping,简称SLAM）在该领域中的研究最为火热。采用室内摄影测量技术的视觉SLAM算法大都基于特征点进行数据关联和后端优化,但在某些光照较低和弱纹理的场景下,由于特征提取数量的不足,导致SLAM系统在该环境下的定位精度和鲁棒性的降低。为了解决该问题,我们在SLAM前端数据关联阶段引入线特征,并对其进行改进,通过构建基于点线特征融合的视觉惯性里程计,提高定位系统在复杂场景下的定位精度和鲁棒性。通过对多种特征提取及匹配算法进行实验测试,结果表明ORB（Oriented FAST and Rotated BRIEF）特征对于环境的鲁棒性较好且速度最快;在特征点匹配方式上,基于光流的匹配速度是描述子八倍左右。故我们选取ORB特征和Lucas–Kanade光流匹配方法进行特征点的提取与匹配;选择LSD线特征（Line segment detector）和LBD描述子（Line Band Discritor）与特征点共同进行数据关联,并对LSD线特征提取分段的问题进行了改进,通过改进前后对比实验发现改进后线特征匹配数目能够提升3.8%;采用普吕克坐标和正交表达方法描述线特征的坐标转换及线特征重投影误差的优化。对IMU（Inertial Measurement Unit）进行积分获得相机位姿变换初值,并运用到后端优化中,通过IMU预积分构建IMU误差。在后端优化中,使用滑动窗口模型并设定关键帧选取策略,通过边缘化更新相机位姿并将关键帧约束信息保存,并将该约束作为先验信息与点线特征重投影误差、IMU预积分误差通过光束法平差方法共同进行优化,构建一个基于点线特征融合的视觉惯性里程计。为了对本文提出的点线视觉惯性里程计系统VIO（Visual Inertial Odometry）性能充分了解,我们在真实环境下搭建了实验平台,并对相机进行标定,选取系统的鲁棒性、定位精度和实时性三个方面,通过数据集和真实环境场景下的实验对系统性能进行对比分析。在鲁棒性方面,线特征在复杂环境下具有更好的稳定性,并且在引入线特征后,点线VIO系统在复杂场景中运行稳定,具有良好的鲁棒性;在定位精度方面,我们通过数据集和真实环境下对比实验发现:线特征的引入可以降低系统的定位误差,数据集场景中,轨迹均方根误差为0.155m,相对于点特征VIO系统,其平移误差降低量为10.7%,旋转误差降低了18.3%,提升了系统的定位精度。通过复杂环境及非复杂环境下的对比实验,发现非复杂环境下,其平移误差降低13.1%,旋转误差降低16.2%,且周边环境越复杂,定位精度提升效果越明显;在实时性方面,点线VIO的耗时较长,实时性性能有所下降。