视觉里程计（Visual Odometry,VO）是同步定位与建图（Simultaneous Localization and Mapping,SLAM）的核心技术之一。随着机器人技术由理论走向应用,对视觉里程计在不同环境中的鲁棒性和精度提出了更高要求。本文利用环境中的点特征、线特征及面特征,针对视觉里程计中特征匹配及位姿估计模块分别设计了多特征融合的解决方案,有效提升视觉里程计在不同环境中的精度与鲁棒性。针对特征匹配,本文提出了一种基于图神经网络的点线描述子融合方法,应用融合后的描述子实现特征匹配。本文利用图结构表示图像中的点与直线特征,结合图神经网络能有效聚合图结构信息的特性,达到描述子融合的目的。首先提取图像中的点特征与直线特征,将点特征与直线特征的描述子与特征的位置进行编码,得到图结构中的节点。在建立边时,没有采用全连接的结构,只对具有特定几何关系的节点建立边,节省了存储空间。采用图注意力网络框架对节点信息进行聚合,为了进一步提升图注意力层的表达能力,引入了多头图注意力机制,将多个独立的图注意力层的输出结果拼接在一起,作为最终的输出结果。通过不同场景下与多种描述子的特征匹配对比实验,验证了本文提出的描述子与其他描述子相比,在匹配精度和鲁棒性方面均有明显优势。针对位姿估计,本文通过对环境中的点线面特征进行统一表示,设计了点线面同类残差模型以及异类残差模型,并结合非线性最小二乘法对位姿进行优化求解。本文首先用退化二次曲面对点线面三类不同特征进行统一表示。在此基础上设计点线面同类残差模型,给出了点与点重投影残差、线与线投影残差、线与线正交投影残差、面与面投影残差以及面与面正交投影残差的具体形式。构建同类残差模型的非线性最小二乘模型,采用非线性优化方法对位姿进行优化求解。在同类残差模型的基础上,设计点线面异类残差模型,给出了点线共线残差、点面共面残差、线面共面残差以及线面正交残差的具体形式,同样采用非线性优化方法对位姿进行优化求解。在不同图像序列下开展实验,选取性能出色的同类残差模型以及异类残差模型。整合选取的同类残差模型以及异类残差模型,与现有主流的视觉里程计算法进行对比试验。实验结果说明融合多类残差后,在不同场景下视觉里程计的精度都有提升。