随着无人自动驾驶、AR/VR等技术的发展,视觉SLAM技术已然成为热门的前沿技术之一。传统的视觉SLAM解决方案存在着一些不足,比如单目视觉SLAM无法测量深度、双目视觉SLAM计算复杂、深度视觉SLAM适用性不强等诸多问题。为了解决这些解决方案的局限性,众多解决方法之一就是将多传感器进行融合计算,从而完成系统的位姿估计。本文设计的基于视觉/IMU融合的解决方案借鉴于VINS开源框架,实现了在特定传感器上的典型应用。融合的传感器系统完成了视觉信息与惯性测量单元IMU的姿态信息相融合,通过KLT稀疏光流法,三角测量以及PNP算法计算出各帧之间传感器的位姿关系。惯性测量单元IMU通过预积分方式得到位姿估计,之后通过紧耦合的算法将视觉信息和IMU的姿态信息相融合,得到更为精准鲁棒的位姿估计。在后端优化部分通过回环检测和四自由度位姿图优化来对系统的估测路径进行优化计算,得到更为精准鲁棒的路径估测结果。该SLAM系统虽然可以在大多数环境中稳定运行,但是对于恶劣环境和动态场景仍存在不足。所以,本文引入改进算法来试图解决图像的模糊、噪声、曝光度以及雾气模糊所引起的系统精度低和鲁棒性差的问题。同时,应用基于深度学习的动态场景优化算法来解决SLAM系统里动态场景的特征点误匹配的问题,提高了系统的精准度、鲁棒性以及环境适用性。此外,针对基于视觉/IMU融合的SLAM系统的各种算法以及系统在各种环境下的运行状态进行了实验,验证系统中各类算法的可行性,并将系统在小范围、室内大范围、室内恶劣环境以及室外环境等各种情况下进行了运行测试,都取得了很好的测试结果。对于视觉/IMU融合的SLAM系统,研究了系统感知传感器的数据传输、视觉惯性里程计前端算法、SLAM系统后端优化处理以及针对图像和动态场景的优化改进算法。相比于其他系统,本文设计的改进系统拥有更好的环境适应性以及更高的路径估测准确率。综合上述各类算法以及各项测试的实验结果,可以发现本文设计的基于视觉/IMU融合的SLAM系统的运算复杂度、适用性、精准度以及鲁棒性较好,可以满足大部分环境下对于系统的运行要求。