随着定位技术的发展,使用单一传感器进行定位已经不能满足高精度定位的需求,多传感器融合是目前发展的趋势。惯导和视觉在定位原理上存在互补性,惯导短时精度高,但长期稳定性不足,视觉定位可通过图像信息获取相机位姿,数据漂移小且定位精度高,但容易受光照影响,不适合快速运动。将二者融合一直存在测量数据会发散导致定位精度降低、稳定性变差的问题。本论文针对上述技术瓶颈,从惯性器件误差补偿、融合算法优化这两方面进行研究,实现了紧耦合方式的惯导视觉融合,并提升了融合定位系统的定位精度。本文首先研究了微机电系统(Micro-Electro-Mechanical System,MEMS)惯性传感器的数据发散问题,并采用小波降噪方法对MEMS惯性传感器的随机性误差进行了分析和快速校准。数据显示,该方法可以将传感器的各项误差降低一个数量级,处理后的MEMS惯性传感器可用于紧耦合。通过建立相机去畸变模型,使用张氏标定法对双目相机进行去畸变处理,并使用标定工具对相机和惯性传感器进行外参标定。其次,在扩展卡尔曼滤波(Extended Kalman Filter,EKF)框架下,将惯导和视觉信息进行数据融合,通过采用多状态约束模型来建立多相机位姿对同一特征点的约束,减少了计算量、提高了观测精度,使得系统实时处理能力更强。最后对本文设计的紧耦合惯导视觉融合定位系统进行验证。首先通过数据集对融合算法合理性进行验证,并与优化框架下的惯导视觉融合系统(Visual Inertial Navigation System,VINS)进行对比,在定位精度相近的情况下,计算量减少了41%。其次,对本文采用的惯性传感器进行稳定性测试,实验表明本文采用的校准方法可以有效地降低传感器的数据发散程度,有利于提高紧耦合系统的整体的定位精度。最后在实际场景中对本文提出的紧耦合系统进行验证,数据显示其定位误差小于0.5%,相关实验表明该系统相对于单一惯导和单一视觉定位,定位精度和稳定性有很大的提升,对工程应用提供明确的方向。