视觉惯性SLAM通过融合视觉与惯性约束项提升建图与定位的精度，然而在低光照环境下，视觉前端提取特征点的质量与跟踪稳定性差，导致视觉惯性SLAM算法跟踪易丢失，定位精度低。因此，本文基于VINS-Mono框架，提出一种单目视觉惯性SLAM算法——GS-VINS：首先，采用自适应图像增强算法，改善低光照图像的灰度分布；其次，提出基于SuperPoint的GN2＿SuperPoint特征检测网络，结合特征点动态跟踪模块，提高光流跟踪的稳定性。在EuRoc数据集与现实场景的实验表明，本文算法定位精度较VINS-Mono提升了26.57%，且对光照变化具有较强的鲁棒性，在对比实验中特征跟踪成功率提高了8%，现实场景中闭合误差能缩小约45.73%。证明了该方法在低光照环境中具有较好的精度与稳定性，为低光照下的视觉导航提供了新的解决方案，具有工程应用价值。
