自主泊车系统作为高级驾驶辅助系统中的重要一环,可以大大降低因驾驶员操作不熟练等问题所引发的泊车事故,具有广阔的市场前景和研究价值。智能汽车的自身定位是实现智能汽车完成自主泊车任务的重要前提,它关系到智能汽车后续自主决策、路径规划等重要任务的实现。地下停车场作为自主泊车系统主要应用场景之一,在该场景下,智能汽车将面临全球定位系统失效的问题,因此视觉惯性里程计成为该场景下车辆自主定位的有效选择,其可以只依靠相机和惯性测量单元两个低成本的传感器完成智能汽车的增量式定位,受到了广泛的研究和发展。本文针对地下停车场环境下的场景特性以及单目视觉惯性里程计算法,对在该场景下智能车辆定位展开了深入研究。首先,针对地下停车场场景下相机拍摄的图像存在图像亮度低、光照分布不均匀等问题,本文提出了一种基于Retinex理论和注意力机制的低光照图像增强深度神经网络。该网络主要包括三个子网络——图像分解网络、光照图增强网络以及反射图去噪网络。图像分解网络基于Retinex理论,采用了编码-解码网络对输入的原始图像进行分解,得到图像的光照图和反射图;光照图增强网络引入空洞卷积来代替卷积-池化操作以获取更大范围的光照图光度信息,对光照图进行增强;反射图去噪网络引入CBAM注意力机制模块来获取光照图中光照分布的注意力图用来指导反射图去噪。最后,使用增强后的光照图和去噪后的反射图进行重建,得到最终增强后的低光照图像。其次,针对地下停车场存在低纹理和纹理单一的环境特性,本文提出了一种融合了单目视觉信息和IMU信息的视觉惯性里程计算法。该单目视觉惯性里程计算法主要分为前端特征提取与数据关联以及后端非线性优化两部分。在算法的前端对低光照增强算法处理后的图像进行Harris角点检测以及采用金字塔分层的LK光流算法进行特征点追踪,并对IMU数据进行预积分处理;算法的后端根据前端数据关联结果采用滑动窗口的非线性优化方法对滑动窗口内的视觉重投影误差、IMU预积分误差以及边缘化信息误差进行优化,以估计出智能汽车的位姿信息。然后,为进一步提高智能汽车位姿估计的精度,本文基于上述所求出的滑动窗口边缘化出的关键帧位姿以及与该关键帧关联的地图点坐标,提出了一种单目视觉惯性里程计级联优化模块。该模块以滑动窗口边缘化出的关键帧位姿以及与该关键帧关联的地图点坐标作为初始值,通过对连续关键帧图像提取和追踪ORB特征点的方式使用仅运动的光束平差法对该关键帧位姿进行细化,进而得到更为准确的关键帧位姿,同时生成3D地图点。最后,综合上述提出的基于注意力机制和Retinex理论的低光照图像增强算法以及级联优化的视觉惯性里程计算法,得到了本文所提出的地下停车场环境下的智能汽车自主定位系统,通过公开数据集和实车离线实验数据对本文所提出的算法进行了详细的实验和分析。实验结果表明,本文所提出的低光照图像增强算法能有效的提升图像的质量;本文所提出的级联优化模块能有效的提升单目视觉惯性里程计的精度;本文所提出的地下停车场环境下的智能汽车自主定位算法在鲁棒性和精度方面均优于目前主流视觉里程计和视觉惯性里程计算法并达到了足够的定位精度,从而解决了在该场景下智能汽车的定位问题。