视觉SLAM对于机器人实现自主导航、定位与环境感知等功能具有重要的作用。与立体视觉及RGB-D SLAM相比,单目视觉SLAM的优点在于它可以适应不同尺度的环境,但是它无法得到绝对的环境的尺度,因而需要通过其它传感器融合来解决这个问题。本文通过融合惯性测量单元IMU,为视觉SLAM恢复出绝对尺度,并提高视觉SLAM的鲁棒性。SLAM前端依据误差的模型不同分为直接法(亮度误差)和特征点法(重投影误差),本文基于特征点的方法实现前端的特征点匹配以及闭环检测,采用字典加速特征点间的匹配,通过对极几何对相邻相机进行位姿估计并用于监测IMU的帧间积分。当前端位姿跟踪失败时,通过PnP求解实现相机重定位,从而恢复位姿跟踪过程。在现有的IMU与视觉融合算法中,通常将位置、速度、零偏、姿态等状态量作为优化变量,导致求解优化模型时容易发散。本文提出只将位姿、速度、加速度零偏等状态量作为优化变量,姿态通过IMU姿态解算的方式获得,避免了 IMU与视觉融合前相机姿态的初始化问题,并具有更好的鲁棒性。根据陀螺仪、加速度计、磁罗盘等传感器的噪声模型,本文建立了高精度的校正模型。对加速度计、磁罗盘、陀螺仪测量的数据,建立了误差状态卡尔曼融合模型,获得了精确的姿态解算结果。通过对IMU姿态解算获得相机的姿态后,根据IMU加速度计测量和相机测量建立关于位姿、速度、加速计零偏的优化模型,并对优化窗口内优化模型进行求解,采用滑动窗口的方式边缘化剔除窗口内最早的状态量并添加新的状态量。采用滑动窗口优化的方式对IMU与单目相机的局部测量值进行融合,运动轨迹与地图仍会产生飘移。在进行闭环检测时,本文通过字典加速匹配得到闭环匹配帧,并利用光束平差法优化模型进行全局优化。实验结果表明,闭环检测与优化能够有效地解决飘移问题。