同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是诸如机器人导航、自动驾驶、增强现实（Augmented Reality,AR）等应用领域的关键技术之一。近年来,随着消费类惯性传感器惯性测量单元（Inertial Measurement Unit,IMU）在移动端的快速普及,利用IMU和视觉传感器之间良好的互补特性,通过融合视觉和惯导信息以构建出定位精度高、鲁棒性和实时性好的视觉惯性SLAM算法成了学术界的热点研究问题。尽管多源传感器信息融合的数学理论已经相对成熟,但目前的视觉惯性SLAM算法在应用上仍然面领着鲁棒性不够,运算量偏大无法适用于计算资源受限的小型设备上的挑战。为了应对上述挑战,本文从视觉惯性SLAM算法框架中的核心模块——视觉惯性里程计（Visual-Inertial Odometry,VIO）算法入手,从VIO算法的视觉前端以及后端非线性优化两个方面提出改进方法用于降低视觉惯性SLAM算法的运算量,以此提升视觉惯性SLAM算法的实时性。本文首先对目前的视觉惯性SLAM算法的技术背景以及研究现状进行了介绍和梳理。紧接着介绍了基于非线性优化的视觉惯导融合的SLAM算法所涉及到的主要的基础理论。随后本文着重介绍了此次研究课题的核心内容,一种基于传统LK（Lucas-Kanade）光流法的改进型光流跟踪算法以及基于混合残差的后端联合优化模型。在VIO算法的视觉前端,利用IMU预积分结果提供的位姿信息对深度已知的三维点云在最新图像上的投影位置进行预测。在预测值的基础上构建一个无需建立图像金字塔的改进型LK光流法。相较于传统LK光流法,该改进型算法具有更好的实时性。在VIO算法的后端非线性优化部分,出于提升算法实时性的目的,本文通过特殊的特征点选择策略,使得部分特征点可以同时提供几何和光度残差项,也即一个特征点能够提供两份运动约束。通过联合几何残差、光度残差以及IMU残差构建了基于混合残差的联合优化模型。最后,本文在公开数据集上进行了充分详实的对比实验以验证本文提出的改进型光流跟踪算法以及基于混合残差的联合优化模型的有效性。实验结果表明本文提出的算法及模型可以使得VIO算法在保持较高的定位精度的条件下,在一定程度上降低算法的计算量并提升了整个算法的实时性。