机器人在未知环境下的自主导航是实现机器人智能化的关键一环,利用传感器信息在未知环境下机器人的定位以及建立地图是实现机器人自主导航的关键技术。为了适应多样化的应用场景,机器人通常会携带多种传感器,如相机、激光雷达以及惯性测量单元（Inertial Measurement Unit,IMU）等。如何有效组合起多种传感器实现高精度定位,成为机器人定位导航的研究难点。为了有效组合起多种传感器,设计基于拓展卡尔曼滤波器的相机、惯导和轮速计组合定位系统。首先研究前端视觉里程计,对不同特征点的时间和效果进行分析,选择实时性和稳定性最好的Harris角点。针对特征点法中计算描述子耗时的问题,选择稀疏光流法进行特征追踪,有效改善视觉里程计的实时性。最后,将IMU和轮速计的位姿作为滤波器预测输入,相机位姿作为观测输入,实现稳定的实时位姿输出。在使用滤波器的松耦合框架中,传感器数据利用率低和定位精度提升不高,进一步采用基于滑动窗口的非线性优化方式融合相机和惯导的原始数据。根据IMU预积分理论建立噪声协方差递推矩阵和残差函数,利用重投影误差进行集束调整建立视觉残差函数,对两类传感器的误差函数在滑动窗口中进行联合优化,得到全局下的最优位姿。此外,文中介绍特征点噪点的剔除和均匀分布,保证视觉里程计稳定运行,还从ROS（Robot Operating System）系统程序设计以及相机和惯导的标定等方面保证系统的完善性。最后,利用ROS移动小车在室内环境下完成视觉-惯导-轮速计定位系统实验,实验结果表明该系统在复杂环境下的定位效果良好。在Eu Roc公开数据集和室内环境下对视觉惯性里程计（Visual-Initial Odometer,VIO）测试,通过评价与真值之间的误差表明组合定位系统具有更高的稳定性和更好的鲁棒性。