为提高视觉同步定位与建图系统的定位、建图精度，克服传统算法中特征匹配搜索半径为固定值导致视觉里程计在高动态运动时特征误匹配率高的问题，本文提出一种搜索半径自适应的惯导辅助图像特征匹配方法。该方法首先对双目相机左右两帧图像进行特征提取与匹配，并获取地图点三维坐标，然后通过预积分惯性测量单元的量测值预测相机位姿，再根据误差传播定律计算预测位姿的协方差，最后利用预测位姿将地图点投影至图像得到对应像素坐标，从而根据像素坐标中误差确定地图点最有可能出现的区域半径。实验结果表明，该方法可有效缩小特征匹配的搜索半径，显著提高图像特征匹配的准确度，使跟踪线程位姿精度提高约38.09%，系统整体位姿精度提高约16.38%。该方法可为每个特征点提供自适应区域约束，提高特征点匹配的准确度，进而提升系统位姿估计精度，构建更高精度的稠密地图。

在机械摆动的运动分割及视觉测量中，针对传统以块状轨迹群为单位的谱聚类运动分割因摆杆光流轨迹中断及线速度分布差异所导致的碎片化与过分割的局限性，提出一种以曲率为相似度度量的弧状轨迹群为单位的谱聚类分割算法，并结合点云配准完成转速图像测量。算法先用活动子集的稀疏高斯回归学习出弧状轨迹群的平均轨迹，将此平均轨迹作为稀疏子空间聚类的种子样本一次性完成运动分割，最后将非种子样本重新归入其被代理的种子样本聚类中以获得每帧最大稠密度的分割点云。在各帧点云基础上，通过条件期望点云配准算法求取帧间点云变换矩阵，并提取转动分量完成摆杆摆角测量。为证明有效性，结合客运车辆日次安全检测视觉自动化系统项目，以6种不同照度下5种车型的双摇杆刮水器总成为对象，比较了三种算法对摆角的测量精度。结果表明：本算法能完整学习出等长轨迹，且与人为标定角位移回归值误差均方值小于10%，同时运算量小于传统的交替方向乘子法（ADMM）单次迭代，可作为工业智能制造与自动控制系统中的机械视觉运动测量及机械视觉故障诊断方面应用。

大多数视觉里程计通过跟踪图像序列中点特征几何位置的变化实现对相机位姿的估计。线是点的集合，相对于离散的点，帧间线特征的位置变化更具有显著性，因而有利于提高特征检测跟踪的鲁棒性。另外，在一些弱纹理场景中，点特征不够丰富，作为对点特征的补充，提出了一种融合点线特征的立体视觉里程计算法。构建新颖的点线重投影误差模型作为目标函数求解旋转矩阵和平移向量。模型中，使用Huber核函数减小特征误匹配对优化过程的影响。选取ORB算子检测点特征，LSD算子检测线特征，匹配时施加恒速约束、环形匹配、Bucketing约束和外观几何约束，提高特征匹配的速度及精度。采用公共数据集KITTI和EuRoC对算法进行评测，实验结果表明，该算法在多种场景中的鲁棒性能，相较于其他具有代表性的视觉里程计算法，在精度方面有提升。

为了实现折反射全景相机实时定位，提出了基于特征点法的可以用于折反射全景相机的视觉里程计算法。对折反射全景相机的投影模型重新设计了初始化模块，用于全景相机位姿的初始化。在初始化模块中，提出了适用于折反射全景相机的球面对极几何，通过球面对极几何计算初始化过程中两帧图像间位姿变化关系。为了验证算法鲁棒性和精确度，在相同场景下，将本文算法与使用针孔相机的特征点法的视觉里程计算法进行对比。结果表明，使用折反射全景相机的情况下，室外场景和室内场景下视觉里程计精度分别比针孔相机算法提升了38%和50%。