La precisión y las capacidades de procesamiento no lineales son críticas para la posicionamiento y navegación de vehículos autónomos en odometría visual-inercial (VIO). Los métodos VIO basados en filtrado existentes tienen dificultades para lidiar con sistemas fuertemente no lineales y a menudo exhiben baja precisión. Con este fin, este documento propone un método VIO basado en el complemento de Schur y el Filtrado de Kalman Extendido Iterado (IEKF). El algoritmo primero mejora las características ORB (Oriented FAST and Rotated BRIEF) utilizando arquitecturas de Perceptrón Multicapa (MLP) y Transformador para mejorar la robustez de las características. Luego integra la información visual y los datos de la Unidad de Medición Inercial (IMU) a través de IEKF, construyendo un modelo residual completo. El complemento de Schur se aplica durante las actualizaciones de covarianza para comprimir la dimensión del estado, mejorando la eficiencia computacional y aumentando significativamente la capacidad del sistema para manejar no linealidades mientras mantiene un rendimiento en tiempo real. En comparación con el Filtrado de Kalman Extendido (EKF) tradicional, el método propuesto demuestra una mayor estabilidad y precisión en escenarios de alta dinámica. Los resultados experimentales muestran que el algoritmo logra un rendimiento superior en la estimación del estado en varios conjuntos de datos visual-inerciales típicos, demostrando una excelente precisión y robustez.