近年来,视觉同时定位与建图技术（Simultaneous Localization and Mapping,SLAM）发展迅速,相关研究成果被广泛应用于自主移动式机器人、自动驾驶以及虚拟现实等领域。在理想的环境下,视觉SLAM技术使用可见光相机感知场景中的纹理信息估计自身位姿以及建立环境地图,完成未知环境下的定位。然而,现有的视觉SLAM技术对环境的抗干扰能力较差,在光照变化、光照缺失或者充满烟雾等非理想环境下,可见光相机无法感知有效的纹理信息,从而导致定位与建图算法的失效。红外相机感知环境中的长波红外信息,其成像与场景的热辐射情况相关,对可见光光照变化具有鲁棒性,是一种全天候定位与建图的理想视觉传感器。红外相机与可见光相机投影模型相仿,而主流的视觉SLAM技术却无法在红外相机上直接使用。红外相机采集的红外图像存在固定模式噪声、高动态范围导致的低对比度、连续帧光度变化以及周期性数据丢失等缺陷,现有的视觉SLAM技术直接使用红外信息具有一定的挑战性。视觉SLAM定位建图性能取决于输入数据的质量,如何将存在缺陷的红外数据转变为稳定且高质量的图像数据是解决红外视觉SLAM的突破口。近年来,得益于计算机性能的飞速发展,深度学习在各个领域均有良好的表现。深度学习具有强大的数据关联能力,将传统视觉SLAM技术与深度学习相结合的方式是实现鲁棒红外视觉定位与建图的可行之路。本文提出了一种基于红外相机的视觉惯性SLAM系统。该系统解决了红外图像特征提取与关联的问题,在室内外不同尺度与光照条件的环境下均具有较高的定位精度与鲁棒性。本文主要的研究内容与创新点如下:第一,面向红外图像存在的图像质量缺陷,提出了一种基于奇异值分解的红外图像处理方法。该方法从长波红外相机的成像原理出发,去除红外图像最大奇异值并对图像奇异值进行重构,有效解决了高噪声、低对比度、光度变化的问题,现有的特征提取算法在处理后的红外图像种均有较好的特征提取性能。第二,面向红外图像数据关联问题,提出了一种实时的轻量化红外光流网络。网络训练使用自行生成的红外光流数据集,训练后的网络能够在红外图像中实现准确的光流估计。在图像处理方法与红外光流网络基础上设计并实现了一个红外视觉惯性里程计系统,使用滑动窗口的方式优化相机位姿以及地图。实验证明,该里程计系统在室内多尺度以及变光照的环境下均能实现准确且鲁棒的位姿估计。第三,针对于里程计长时间运行产生的累计误差问题,在里程计算法框架基础上增加回环闭合模块,实现了完整的红外视觉惯性SLAM系统。系统优化了关键帧选取与管理的机制,使用严格的特征追踪筛选策略以减少SLAM前端的误差。设计的回环模块适用于红外图像,具有较好的回环检测与矫正性能,保证了系统全局一致的定位与建图。实验结果证明,在室内与室外场景下所提出的系统均能取得高精度的定位结果。