无人驾驶车辆是汽车未来发展趋势。定位导航是无人驾驶技术的基础,无人驾驶车辆决策规划和控制都需要精准的定位信息。SLAM（Simultaneous Localization and Mapping）同时定位和构图是一种新型的无人驾驶车辆定位技术,该技术可在无先验地图信息条件下实现定位导航。传统的导航技术包括GPS定位和IMU惯导定位等。无论是传统定位技术还是SLAM定位技术都存在自身弊端和局限性,因此多种定位技术融合的组合导航是实现高精度无人驾驶车辆定位的关键。本文以IMU（Inertial Measurement Unit）惯导和视觉SLAM融合车辆定位技术为研究内容,实现无人车高精度定位算法。首先介绍了纯视觉SLAM基本框架和基础;对视觉SLAM前端视觉里程计进行研究分析,提出本文的特征匹配策略算法,以此提升SLAM算法性能;对IMU和视觉SLAM紧耦合融合进行研究,通过实现在线实时标定IMU和相机的时间戳偏差,以此减少多传感器融合的时间戳偏差对系统的影响。本文的研究基于开源的VI-ORB-SLAM系统展开,并且提出优化后的Improved-VI-ORB-SLAM系统。本文完成的主要研究工作如下:（1）SLAM的前端视觉里程计算法研究。针对传统视觉里程计中的特征匹配策略效率低的问题,从特征匹配和误匹配剔除两方面进行优化,具体内容如下:（a）:传统SLAM前端视觉里程计的特征匹配采用BF（Brute-force）暴力算法匹配,BF匹配算法在特征点数量多的场景计算复杂度高,针对这个问题,基于FLANN（Fast Library for Approximate Nearest Neighbors）特征匹配算法,提出一种混合Hybrid BF-FLANN（H-BF-FLANN）特征匹配算法。H-BF-FLANN特征匹配算法根据当前图像帧的特征点数量选择BF算法或者FLANN算法进行特征点匹配,相比传统BF算法,H-BF-FLANN匹配算法特征匹配效率更高。本文的Improved-VI-ORBSLAM系统采用H-BF-FLANN匹配算法进行图像处理,相比采用BF暴力匹配算法的原始VI-ORB-SLAM系统来说,大大地提升了系统的计算效率,减少系统时间消耗。（b）:传统SLAM采用RANSAC（Random Sample Consensus）算法进行特征误匹配剔除,由于RANSAC算法随机性地选取数据建模导致其计算效率低,针对这个问题,Improved-VI-ORB-SLAM系统采用效率更高的PROSAC（Progressive Sample Consensus）算法替换RANSAC算法进行误匹配剔除。RANSAC算法随机抽取样本点进行模型参数估计,而PROSAC算法对数据进行相似性排序,选择相似性排名靠前的对应关系作为子集。Improved-VI-ORB-SLAM系统采用PROSAC算法进行误匹配剔除,相比传统VI-ORB-SLAM算法,计算效率更高和位姿估计的精度。理论分析和试验验证将在后文给出。（2）IMU惯导和视觉SLAM融合算法研究。针对IMU和相机数据的时间戳不对齐对VI-ORB-SLAM系统性能影响的问题,Improved-VI-ORB-SLAM系统在线实时标定IMU和相机时间戳偏差,通过估计的时间偏差修正相机特征点数据以保证和IMU预积分数据正确融合。且外,时间戳偏差数据将作为系统优化变量进行实时更新。理论和试验表明,实时标定时间偏差提升了Improved-VI-ORB-SLAM系统的定位精度和鲁棒性。