同步定位与建图（Simultaneous Localization and Mapping,SLAM）是移动机器人的核心技术之一。相机传感器具有成本低、获取信息丰富、体积小等优点,因此视觉SLAM技术成为近年来研究的热点,然而视觉SLAM存在环境纹理依赖性强、快速运动适应性差等问题。针对这些问题,本文提出了一种基于点线特征的视觉惯性SLAM方法IPL-VINS,根据单目相机和惯性测量单元（Inertial Measurement Unit,IMU）获取的数据,在图像上提取点线特征建立图像之间的数据关联,并与IMU预积分结果进行紧耦合优化,进而求解相机位姿和点线特征的空间坐标。本文提出了一套线特征的提取与匹配方法。首先对所提取的线段按照长度进行排序,选择最长的线段作为参考线段,并根据剩余线段与参考线段的夹角和距离筛选出候选线段。接着根据候选线段与参考线段的距离及候选线段的长度共同确定是否将候选线段与参考线段进行合并。该算法可合并潜在的原属于同一条长线段的短线段,以获得更多稳定长线段,提高帧间线段匹配的数量,增强数据关联。然后使用本文提出的基于光流法的线段匹配筛选算法建立帧间线段的数据关联,在当前帧检测到的线段上均匀采样点,并在前一帧中基于光流法对这些点进行跟踪,之后基于跟踪后的点与前一帧中各线段的位置关系进行线段匹配与筛选。该算法无需计算描述子,因此能够更加快速的实现线段匹配。针对点线特征融合对系统产生的影响以及线特征利用不充分的问题,本文在SLAM系统紧耦合优化时对各项误差加权系数进行了调整,使其更适用于基于点线特征的视觉惯性SLAM方法。同时,提出了一种基于点线特征的闭环检测算法,将线特征应用到闭环检测中,使系统对于线特征的利用更加充分,构建了更完整的基于点线特征的视觉惯性SLAM系统。在闭环模块中,分别基于点特征词典和线特征词典计算图像相似度,结合点线特征的数量及环境纹理的分布进行加权计算,从而确定闭环候选帧。本文对提出的IPL-VINS在EuRoC数据集及实际场景中进行了测试,基于EuRoC数据集的实验结果表明,所提方法的绝对轨迹误差在无闭环情况下较VINS-Mono平均降低了 17.76%,较PL-VIO平均降低了 12.79%,较PL-VINS平均降低了9.32%。闭环情况下,较VINS-Mono平均降低了 27.25%,较PL-VINS平均降低了6.81%。基于实际场景的测试也证明了算法的可行性和鲁棒性。