随着国民经济以及科技的发展,智能车辆作为移动机器人皇冠上的明珠正在如火如荼的发展中。在未知的环境中,基于多传感器融合的同时定位与建图（Simultaneous Localization and Mapping,SLAM）技术是支撑智能车辆实现自主导航并完成指定任务的关键基础。由于实际行驶环境的复杂性,搭载于智能车辆上的SLAM系统的精度以及鲁棒性仍难以满足需求。因此,本文以智能车辆在复杂未知环境里自主定位建图问题为背景,利用相机、惯性导航传感器之间的互补性,针对视觉惯导紧耦合的SLAM关键技术开展研究,设计了一套完整的基于非线性优化架构的视觉惯导导航系统（Visual Inertial Navigation System,VINS）,解决智能车辆复杂场景适应性问题。主要工作如下:1.对智能车辆以及VINS系统的国内外发展现状进行了调研,针对应用于智能车辆VINS系统,定义其所涉及的坐标系,建立车辆运动学模型、相机观测模型和惯性传感器运动模型,并基于上述模型建立智能车辆VINS问题的整体架构,为应用于智能车辆的VINS关键技术研究搭建研究平台。2.消失点是利用二维图像构建并理解三维世界的重要特征,针对车载连续视频流消失点估计问题,出基于光流检测和边缘检测相结合的消失点估计算法。光流本质是视频流中相邻帧之间的运动场,实际车辆的行驶方向大多数与道路边界或车道标线平行,运动场指向消失点,因此,结合边缘和光流来投票估计消失点可以高算法的鲁棒性,最终实验结果表明,该算法能供实时且准确的消失点位置,为停止检测算法图片分割供重要的三维场景结构线索。3.出融合停止检测的视觉惯导定位算法。当前,大多数的VINS系统假定环境大面积静态,而智能车辆所处的场景通常具有高动态性,因此该假设极大地限制了VINS的实用性。智能车辆在高动态场景下停止后,环境中存在的大量运动特征点给特征跟踪线程引入误匹配,这将导致轨迹的漂移和建图精度的降低,甚至使得系统重置。为解决上述问题,本文在VINS前端出改进的相位相关算法来取相邻图像帧的精确运动信息;在后端,引入停止约束优化滑窗内的状态变量,以解决智能车辆在高动态场景停止期间轨迹漂移问题,实验结果表明本算法能极大高复杂场景下智能车辆停止期间位姿估计精度。4.出融合运动学约束的视觉惯导定位算法VINS-Motion。本方法利用车辆运动学约束简化运动模型,将视觉、惯导和车辆运动特征耦合进行位姿估计。该算法在前端加入前文出的停止检测模块,在后端处理中,若前端检测到车辆处于停止状态,则在滑窗内根据停止约束进行优化;否则,除了已有的边缘化先验信息构造的残差项、IMU预积分残差项和视觉重投影残差项之外,根据阿克曼转向模型构建车辆朝向/速度残差,并推导该残差项关于待优化变量的雅克比矩阵,最后最小化四个残差项的加权和以获得待优化状态变量最大后验估计,从而分别在停止和运动期间高系统的一致性和准确性。在KITTI数据集上的实验结果表明VINS-Motion在挑战性场景中具有明显性能升。5.出基于IMU信息自适应辅助视觉特征点识别算法（Self-Adaptive Feature Correspondences Identification,SFCI）,进一步将SCFI算法紧融合到VINS前端数据处理单元,命名为VINS-SFCI。SFCI算法利用IMU预积分的结果预测新图像帧的位姿,在弱纹理信息和运动模糊的情况下,为了增加特征匹配对的数量和跟踪长度,利用IMU预测的位姿来搜索潜在的匹配对,并融合视觉信息建立新的匹配对;另一方面,IMU预测的位姿同时可消除动态物体引入的误匹配。实验结果表明,SFCI算法有效地高了特征匹配的精度和跟踪长度,VINS-SFCI系统通过供更鲁棒的视觉特征点跟踪结果,实现了智能车辆复杂场景的精确定位。针对以上研究内容,本文完成了系统性的验证和分析,结果表明所出的算法在挑战性场景中具有明显的性能增益,彰显出重要的实用价值。本文的研究有助于高VINS系统应用于智能车辆的鲁棒性和智能化,对其在实际复杂场景的落地部署具有积极意义。