近年来,处理器计算能力的提升使得算法也得到了飞速发展,基于视觉的实时定位和轨迹估计(同时也被称为视觉同时定位和建图,视觉SLAM,视觉里程计)已经成为了人工智能的核心技术之一,也是移动机器人的必备技术模块。视觉传感器具有低成本,低功耗,体积小等特点,这使得基于视觉的里程计技术能被多种类型的智能设备采用,同时也成了学术上的热门研究领域之一。然而,在未知的场景下,图像的剧烈运动,缺少纹理特征,初始位姿信息的不准确等因素都会给基于单目视觉传感器的SLAM在精度上带来严峻的挑战。因此,本文面向移动和轻量级设备,针对未知的静态场景下的实时定位计算,分别从单目视觉里程计的高精度无尺度定位,以及增强单目和惯性单元的紧耦合定位精度两个方面展开了研究。为了实时地提升传统单目视觉里程计的无尺度定位精度,本文提出了基于视差角的单目视觉里程计MPVO。单目视差角视觉里程计MPVO使用了视差角作为参数来描述点云的相对位置,也使用了本文提出的视差角光束调整算法,能够具有更好的收敛性。本文也分析了视差角光束调整算法中变量结构的稀疏性,并且利用这种特性设计了快速求解算法。实验证明,本文提出的视差角光束调整算法能够使优化具有更佳的收敛效果,从而使得相机位姿的实时估计也更加精确。在多个数据集上的测试表明,新的单目视差角视觉里程计实现了针对单相机的实时位姿求解计算,验证了有效性,具有更好的无尺度定位精度。为了提升视觉里程计在高频率输出条件下的定位精度,本文提出了基于EKF框架的单目和惯性传感器融合的SLAM:RI-Mono-EKF。RI-Mono-EKF建立在本文提出的具有刚体运动不变性的RI-IMU预积分因子的基础之上,同时也使用了本文提出的基于RI-IMU因子的单目与IMU融合初始化算法。RI-IMU因子能够在数学上更好地捕捉惯性单元各个属性之间的数据关联,使得基于RI-IMU因子的单目IMU融合初始化方法,能够在算法开始时获取可靠的状态初始信息,也可以让后续位姿估计更加精确。实验表明,本文提出的单目和IMU融合初始化方法能够显著加快变量的收敛,并且使得RI-Mono-EKF在室内环境下,能够以200Hz的频率提供40cm内的定位精度,提升了该研究领域内,同等速度下的定位精度。最后,为了能够让视觉里程计提供更高精度的定位,本文继续使用了RI-IMU-EKF中的RI-IMU预积分因子和初始化方法,基于图优化框架设计了单目视觉和IMU紧耦合SLAM。该SLAM使用关键帧和多线程协作,在CPU上实现了更高精度的实时定位计算,同时也能够实时地建立稀疏场景。大量实验结果表明,该SLAM能够提供误差在10cm以下的定位精度,达到了该研究领域的前沿精度。同时计算速度也在50Hz,能够达到实时计算水平。