随着机器人逐渐替代人力,工厂朝着高度智能化、规模化的方向发展,实现移动机器人自主导航,具有非常远大的意义。自主导航任务中,同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）是其中的关键技术,是通过对一个环境的局部观测来构造一个全局一致模型的过程。由于视觉传感器的独特优势,视觉SLAM成为近几年的研究热点,但是易受环境光线明暗不一致、纹理缺失等影响,场景太相似的工厂室内环境又会影响视觉SLAM重定位功能。因此如何提高移动机器人在复杂的工厂室内环境下进行定位精准和鲁棒性具有重大意义。点特征是视觉SLAM中最常使用的特征,然而在人造的结构化环境中,有着丰富的线特征,通过加入线特征构成额外的视觉约束,能有效的提升系统的精度,并且构建的地图具有更直观的几何结构。然而基于点特征和线特征的SLAM算法都会因为环境中出现空白或无边缘特征受到严重影响,通过引入直接法的思想,与特征法进行互补,形成半直接的SLAM算法,能有效的提高系统的鲁棒性,并且加入IMU传感器与相机进行融合,能在快速旋转或光照突变的情况,仍能准确跟踪定位。本文针对复杂环境下移动机器人的定位与建图,使用双目相机与IMU传感器的融合,同时提取点线特征,并高效的结合特征法和直接法,提出一种基于半直接法的点线视觉惯性SLAM算法。本文的主要研究成果包括:1.在DSO算法的基础上,提出基于双目相机的稀疏直接SLAM算法。通过双目相机解决了尺度漂移问题,并且使用双目匹配算法能准确的估计梯度点逆深度,再加入回环检测与闭环优化模块,消除由位姿估计带来的累计误差,进一步提升系统定位精度与鲁棒性。2.在点特征的基础上结合线特征,完成点线综合特征的跟踪与优化,并使用IMU传感器与双目相机融合,在后端优化中,构建了基于点线特征的重投影误差与IMU测量值误差联合优化的滑动窗口算法,完成基于点线特征的视觉惯性里程（Visual Inertial Odometry,VIO）。3.针对特征法的缺点,提出将特征法与直接法进行结合,设计出一个半直接SLAM算法,使得其在纹理缺失、光照变换大等环境下依旧能成功进行跟踪定位,并加入了回环检测与全局的位姿图优化,形式一个完整的、统一的SLAM系统。