基于视觉的同步定位与建图（SLAM,Simultaneous Localization and Mapping）技术旨在解决未知环境中机器人定位和三维地图感知难题,如何在挑战性场景中确保定位和地图创建的精度与效率,是目前该领域的关键瓶颈问题。本论文以国家自然科学基金为依托,针对低纹理、低光照、快速抖动等挑战性复杂室内场景做了探索,提出了一系列基于视觉与IMU（Inertial Measurement Unit）的高效SLAM方法或系统,综合效率和精度达到了国际前沿或领先水平,主要贡献与创新如下:（1）针对低纹理图像点特征关联难题,提出了改进ORB的点特征提取与匹配算法,提高了低纹理场景中点特征关联的可靠性,在此基础上,建立3D-3D和3D-2D重投影误差混合优化模型,提出一种新颖的鲁棒相机位姿估计方法。公测数据集实验证明所提方法能在较低纹理场景中输出有效相机位姿而其它方法难以稳定运行。（2）针对低纹理场景下的三维地图创建难题,提出了改进3D-NDT的点云配准方法。首先,基于贡献（1）的思路求解初始点云配准矩阵,然后,通过动态点云网格划分算法网格化特征点云,最后,最小化特征点云网格对应的概率密度函数求解最优配准矩阵,完成点云拼接。实验证明所提方法实现了前沿的配准矩阵估计精度和速度,具备较低纹理场景中三维点云地图创建能力。（3）针对基于特征的SLAM系统追踪线程描述子提取耗时、利用率低问题,提出非描述子依赖的关键点匹配算法,实现相邻帧间可靠特征关联而不用提取描述子。在此基础上,探索高效框架设计,即关键帧之前（相邻帧）不提取描述子,关键帧之后再提取描述子用于图像匹配,进而提出高效Fast ORB-SLAM系统。实验表明该系统实现了前沿的精度和鲁棒性;较国际知名ORB-SLAM2,输出高竞争力精度的同时速度提高约一倍,视频:https://bilibili.com/video/BV1w T4y1j7hf。（4）传统基于点特征的SLAM系统在图像点特征缺乏时（如低纹理、低光照）精度急剧下降,观测到室内场景结构性（线特征）特点,建立点线特征求解相机位姿的BA模型,提出了一种新颖的基于点线特征融合的鲁棒SLAM系统。公测数据集实验表明所提系统实现了领先的定位精度,能工作在极端低纹理环境中而其它流行方案（如ORB-SLAM2）难以输出有效结果;实际场景实验表明,较RGB-D SLAM-v2,所提系统能重建出更精细三维点云地图。（5）上述纯视觉的SLAM系统仍然难以工作在极端挑战性场景下,如快速抖动、低光照、无纹理,鲁棒性受限,为此,本文在贡献（3）和（4）的基础上,引入IMU传感器作为精度补偿,提出点线特征与IMU融合的高效VINS（visual-inertial SLAM）系统（PL-VINS）。实验表明PL-VINS能在挑战性场景输出国际领先的定位精度;相比国际知名VINS-Mono,相同位姿更新频率的同时定位误差降低12%-16%。视频:https://.bilibili.com/video/BV1464y1F7hk,开源代码:https://github.com/cnqiangfu/PL-VINS。