高精度的定位结果是无人驾驶汽车进行路径规划等各项任务的前提。目前无人驾驶汽车多采用全球卫星定位系统(Global Positioning System,GPS)获取车辆的定位信息。GPS能够在空旷区域获得准确的定位结果,但在有障碍物遮挡的环境存在定位精度低甚至难以定位的问题。惯性视觉同步定位与构图(Visual Inertial Simultaneous Localization and Mapping,VISLAM)是智能机器人领域的关键技术,能够在室内等遮挡环境中得到极高精度的定位,但是在室外大规模环境中表现较差。因此,本文提出一种GPS与VISLAM融合的定位方法提高无人驾驶汽车在室内外大规模环境中的定位能力,论文主要工作如下:1)基于VINS-Mono提出一种改进算法VINS-FAST。针对VINS-Mono中视觉位姿估计的Shi Tomasi角点检测不够鲁棒的问题,本文提出将VINS-Mono视觉位姿估计中的Shi Tomasi角点检测替换为更加鲁棒的FAST角点,以提高系统定位精度。并提出了一种FAST角点均匀分布策略,改善FAST角点检测集中在特征比较明显区域的问题,使得在纹理弱的区域也能检测到FAST角点;2)提出一种基于GPS与VINS-FAST融合的定位算法VINS-GPS。针对VISLAM在大范围环境中由于系统累积误差导致定位精度下降的问题,本文在VINS-FAST系统基础上进一步提出VINS-GPS。利用GPS与VINS-FAST系统各自定位结果,构建非线性优化目标函数,采用非线性优化的方法求解融合后的无人驾驶汽车位姿;论文采用数据集Euroc验证了本文提出的FAST角点均匀分布策略能够改善FAST角点检测过于集中的现象,在室内环境VINS-FAST表现出比VINS-Mono更高的定位精度。接着在自动驾驶数据集Kitti上,验证了本文提出的VINS-GPS能够在室外大范围环境中提高无人驾驶汽车的定位能力,结果表明本文提出的算法在不仅能够改善VISLAM在大范围环境中表现不好的问题,同时还能提高GPS在信号弱或无信号环境中的定位精度。