对于自动机器人、自动驾驶和无人机等行业而言,导航定位技术一直是制约其发展的核心技术。而在导航定位技术的发展历程中,即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）逐渐成为人们研究的重点。目前,在即时定位与地图构建技术中,关于视觉传感器的研究越来越多。单一视觉传感器普遍存在频率较低、无法得到空间尺度以及在纹理少或者空旷区域的鲁棒性较差等问题。而惯性导航系统可以利用内置传感器,实现对自身的角度和速度的测量。同时可以计算环境的尺度因子,与视觉传感器功能互补。本文采用视觉传感器与惯性导航系统融合的方式,构建一种包含高精度、高实时性以及场景适用性在内的高鲁棒性的定位导航算法。主要工作内容如下:1)图像信息与惯性数据进行预处理。对于图像信息部分,首先采用ORB（Oriented FAST and Rotated BRIEF）特征点法进行特征提取;同时加入四叉树算法对特征点进行均匀化操作;而后采用光流法进行特征跟踪;并加入RANSAC算法剔除特征跟踪过程中的异常点。对于惯性数据部分则采用惯性测量单元（Inertial Measurement Unit,IMU）预积分算法求得位置、速度、四元数以及测量残差等信息。2)基于图像数据与惯性数据融合的后端优化。算法的后端优化部分分为三个模块:首先是系统初始化模块,采用SFM（Structure-from-motion）算法对视觉传感器采集到的图像信息进行初始化,并利用松耦合的融合方式对处理后的视觉信息与IMU信息进行联合初始化,用于对齐视觉数据与IMU数据,求解空间尺度和陀螺仪偏置等初始参数;然后是非线性优化模块,采用基于滑动窗口滤波算法的紧耦合的数据融合方式,将信息处理的帧数控制在一个固定值,同时采用边缘化算法对需要删除的数据进行处理,形成先验残差数据,采用光束法平差（BA）优化法对边缘化残差、视觉残差与IMU残差进行优化;最后是回环检测模块,通过特征提取的方式,建立回环检测词袋模型,判断是否形成闭环,从而进行位姿优化。3)本文设计了一系列实验,证明了本文所提出的视觉惯性组合定位导航算法在实时性和精度上均优于现有算法,并且适用于多种复杂环境,具有一定的场景适用性,即本文所提出的视觉惯性组合定位导航算法具有高鲁棒性。其中,基于Euroc数据集对算法的实时性与精度进行评估,同时与现有主流算法进行对比;然后通过实景测试,对算法的场景适用性进行评估。实验结果表明,本文的算法在实时性、精度以及场景适用性方面表现良好,即具有高鲁棒性。