移动机器人代替人力在未知领域的应用愈发受到人们的关注,而同时定位与建图（Simultaneous Localization and Mapping,SLAM）是其中一项不可或缺的技术。当下绝大数的视觉SLAM技术是以环境中的点特征作为跟踪对象,可是一旦在弱纹理环境,这种方法会由于弱纹理环境中缺乏足够的特征点而导致定位误差大甚至失败。然而可以利用环境中线特征作为点特征不足时的补充,对机器人的运动位姿进行约束,因此本文基于单目视觉相机和惯性测量元件（Inertial Measurement Unit,IMU）,研究设计点线特征动态融合的单目视觉惯性系统（Visual-inertial System,VINS）。本文主要的研究内容方法包括:首先,针对周围环境的点线特征,采用Shi-Tomasi角点算法和改进的LSD（Line Segment Detector）算法对图像上的点线特征进行提取,采用KLT（Kanade-Lucas-Tomasi）光流算法和LBD（Line Band Descriptor）描述子实现对点线特征的匹配跟踪。为方便线特征参与非线性位姿估计优化,将普吕克坐标和正交表示应用于空间线特征的表示。同时,构建点线特征的重投影误差,用于后端的非线性优化。针对IMU测量,利用其预积分的测量值作为后端非线性优化的IMU测量误差。通过构建点线特征之间的数量关系过滤大部分无用短线、制定短线剔除策略和调整LSD算法的两个隐藏参数,对传统LSD线特征提取算法的改进,优化了线特征提取的质量和效率。然后,在后端的状态估计中使用滑动窗口模型,保持关键帧数量恒定,降低计算维度,采用两种边缘化的策略来对窗口内的变量进行优化,并将被边缘化移出滑动窗口的约束信息转化为先验信息。将先验信息、IMU测量误差、点线特征重投影误差和回环检测误差,共同构建成整体误差函数,以此实现对位姿的估计。其中,回环检测误差只有在发生回环时才参与优化。其次,为避免系统长时运行产生大量的累计误差,使用词袋模型执行回环检测,当系统检测到发生回环时,将序列边和回环边加入位姿图中进行位姿优化,对位姿进行实时修正,实现全局轨迹一致性,保证了系统长时间、大范围运行的稳定性。最后,在EuRoC数据集上,将本系统算法分别与VINS-Fusion（双目开环）、VINSMono和PL-VINS算法的实验结果和精度进行对比,实验表明本文所提出的算法不仅提高了线特征提取速度,而且在局部和全局一致的位姿估计中更加准确。将本文算法在小觅相机上工程化,搭建Bulldog-CX机器人实验平台,选取室内和室外两个具有挑战性的真实场景进行实验,结果证明本文设计的点线特征动态融合的单目VINS系统在广泛的室内外场景具有较强的鲁棒性。