无人驾驶汽车进行路径规划等任务前必须获得自身高精度的定位结果。目前无人驾驶汽车多采用全球导航卫星系统（Global Navigation Satellite System,GNSS）实现定位,GNSS在无遮蔽物的环境中具有良好的定位精度且不存在累计误差,但在有遮蔽物的环境中定位精度较差。视觉惯性同步定位与构图（Visual Inertial Simultaneous Localization and Mapping,VISLAM）能够在光照强度足够的环境中获得极高精度的定位结果,但在低可见度环境中存在定位精度降低甚至难以定位的问题。因此本文基于VISLAM系统引入GNSS定位信息,提出一种LVG＿SLAM定位系统,提高无人驾驶汽车定位系统在低可见度环境中的定位精度与鲁棒性。本文主要研究内容如下:（1）建立了基于VISLAM系统的无人驾驶汽车定位系统模型:针对单目视觉相机建立数学模型;分析了惯性测量单元（Inertial Measurement Unit,IMU）的误差模型与运动模型;定义了无人驾驶汽车定位系统相关坐标系,并建立其转换关系;建立了VISLAM系统后端优化模型。（2）针对传统VISLAM系统在低可见度环境中难以提取到足够角点的问题,提出了一种RFAST弱光图像增强算法:使用小波变换将原始图像分解为低频与高频分量;对图像高频分量进行降噪处理;使用图像低频分量估计照明图像,对照明图像与降噪后的图像使用Retinex算法得到增强后的图像。（3）针对无人驾驶汽车行驶过程中常见的低可见度复杂环境,提出一种LVG＿SLAM系统:基于VINS-Mono系统框架添加了弱光图像增强模块,提高了VINS-Mono系统在低可见度环境中的定位精度与鲁棒性;针对VISLAM系统存在累计误差的问题,将GNSS定位信息作为约束引入定位系统。（4）基于EuRoC数据集验证了本文提出的RFAST弱光图像增强算法的有效性。基于Kitti数据集验证了本文提出的VISLAM系统与GNSS融合方案的有效性。为了验证本文提出的LVG＿SLAM系统的有效性,本文对无人驾驶汽车常见的低可见度环境如地下停车场与夜晚道路环境,进行了实车实验。结果表明在低可见度环境中LVG＿SLAM系统在定位精度与鲁棒性方面相比传统VISLAM系统均有大幅提高。