即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是机器人领域的一项关键技术,传统视觉惯性SLAM系统,在走廊、窗户、光线较暗等弱纹理场景下,往往检测不到足够的特征点,会对系统的定位造成较大影响。针对这个问题本文提出一种结合点线特征的视觉惯性SLAM系统,在传统点特征的视觉惯性SLAM系统基础上,增加线特征,结合点线特征各自独有的特性,由于线特征加入,计算量会大幅度增加,影响系统实时性,为此本文提出一种针对点特征与线特征的数据选择策略,保证系统的实时性。后端非线性优化采用滑动窗口算法,并利用边缘化策略移除非关键帧。在回环检测部分,创建新的点线特征词袋库,利用点线特征词袋库进行回环检测,提高了系统的定位精度。最后设计实验,利用开源数据集Euroc,通过与其他开源算法做对比,对本文算法进行评估,并使用Intel Real Sense D435i相机在真实场景下采集数据进行测试和评估。本文主要研究内容如下:（1）在点特征视觉惯性SLAM系统中加入线特征,其中点特征提取采用FAST角点,提取到角点后采用（Lucas-Kanande,LK）光流金字塔对角点进行跟踪;线特征提取采用改进的EDLines算法,改进后的算法能够降低在直线拟合环节外点的干扰,减少许多无效的短线段,提取出更多有效的长线段。提取到线特征后采用（Lind Band Descriptor,LBD）描述子对线特征匹配,得到点线特征后为了系统实时性,提出一种数据选择策略,对点线特征进行合理的选择,在保证精度的同时保证了系统实时性。（2）得到点线特征数据及惯性传感器（Inertial Measurement Unit,IMU）预积分数据后,对视觉惯性进行初始化联合,然后采用非线性优化理论,将点各项待优化数据加入到非线性优化中进行联合优化,采用基于滑动窗口的非线性优化算法,构建联合优化函数,利用边缘化策略移除非关键帧,在回环检测环节,针对传统点特征词袋库无法对线特征检测的问题,创建新的点线特征词袋库,提高系统的定位精度。（3）设计实验对本文SLAM系统进行性能分析。首先利用SLAM精度评价工具（Evaluation of Odometry,EVO）,在公开数据集上对本文SLAM系统进行测评,测评内容为:绝对轨迹误差、轨迹均方根误差,并和多种SLAM算在数据集上进行轨迹对比。其中在V2＿03＿difficult数据集上本文SLAM系统轨迹均方根误差相比VINS-Mono系统减小52.74%。然后在真实环境中对本文SLAM系统进行测试,在机器人平台上利用Intel Real Sense D435i相机,对相机进行标定,测试场景为学院教学楼,最终证实了本文算法的有效性。