空间中的精确定位是移动机器人、微型飞行器、虚拟现实和增强现实等技术所需要的基本功能。使用相机和惯性测量单元（Inertial Measurement Unit,IMU）作为传感器的视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）和视觉惯性SLAM可以在缺乏全球卫星定位信号时,根据载体自身的传感器进行定位,因此得到了广泛的研究和应用。在消费级领域,成本是一项很重要的考量因素。相比全局快门相机,卷帘快门相机的成本更低、应用更广,但卷帘快门相机在与环境存在相对运动时会带来卷帘快门效应,且低成本的视觉传感器和惯性传感器更容易出现高噪声。卷帘快门效应、图像噪声和IMU噪声都会降低SLAM系统的精度和鲁棒性,但当前针对该方面的研究尚有不足,鉴于此,本文将对卷帘快门效应、图像噪声和IMU噪声进行更为详细的研究。首先,针对当前视觉SLAM评测数据集不能评测不同程度卷帘快门效应的问题,本文制作了一个包含全局快门RGB-D图像和卷帘快门RGB-D图像的开源仿真数据集。数据集包含两条轨迹,每条轨迹包含慢速、中速和快速三种速度的图像序列。在数据集位姿真值的基础上,通过实验验证了数据集的有效性,解决了当前视觉SLAM评测数据集不能评测不同程度卷帘快门效应的问题。其次,针对当前视觉惯性SLAM评测数据集中IMU的噪声和帧率单一的问题,在前文视觉数据集的基础上,通过介绍一种联合视觉位姿的IMU数据生成方法,并通过对IMU噪声进行建模,得到了一个包含不同噪声水平和帧率视觉惯性数据集。在数据集位姿真值的基础上,通过实验验证了数据集的有效性,解决了当前视觉惯性SLAM评测数据集中IMU的噪声和帧率单一的问题。然后,针对当前特征法视觉SLAM中对图像噪声考虑不足的问题,在视觉数据集的基础上制作了一个评测视觉SLAM中噪声的开源数据集,采用FFDNet对图像序列去噪,定量地研究了常用特征点在去噪和未去噪的情况下的特征匹配效果,根据匹配效果提出了一种通过去噪改进ORB-SLAM2的方法。在仿真和实际的数据集上进行实验,结果表明该方法提高了ORB-SLAM2的精度和鲁棒性。最后,针对当前单目视觉惯性SLAM中初始化需要加速度激励以及高IMU噪声下系统精度下降问题,提出了使用卷帘快门RGB-D相机的VINS-RSD方法。VINSRSD采用RGB-D图像联合IMU对系统进行初始化,解决了单目视觉惯性SLAM初始化需要加速度激励的问题;对卷帘快门效应进行校正,并在滑动窗口优化中提出了一种复合损失核函数。在数据集上进行实验,结果表明相比VINS-Mono,VINS-RSD方法的均方根误差平均下降了30.76%。本文制作的开源数据集可以用来评测使用卷帘快门相机或全局快门相机的视觉SLAM算法或视觉惯性SLAM算法。本文探索的关于对卷帘快门效应、图像噪声和IMU噪声进行处理的方法,对于使用低成本相机和IMU进行定位的相关领域具有参考价值和应用前景。