历经30多年的发展,同步定位与地图构建（SLAM）技术日渐成熟,广泛应用机器人、无人驾驶和智能家居等领域。然而,为了便于解释,大部分视觉SLAM算法假设环境是静态的,限制了算法在具有动态物体环境中的应用。针对复杂环境中存在的动态物体,影响视觉SLAM系统位姿估计精度,难以满足系统实时性要求的问题。本文基于DS-SLAM框架,提出一种能够适应复杂环境的算法。主要包含以下工作:首先,在系统初始化后,将每一帧图像传输到跟踪线程和语义分割线程,在跟踪线程中采用自适应阈值提取ORB特征点,以适应不同的环境。并使用四叉树算法改善特征点过于密集的情况,通过限制四叉树算法的迭代深度,将提取到的特征点合理分配。其次,采用金字塔Lucas-Kanada稀疏光流法跟踪角点的运动。同时结合基于Caffe框架的Segment语义分割线程的结果,识别高动态物体及潜在动态物体,并增加对小物体的检测过程来判断分割出的物体是否在运动,然后利用几何约束过滤出动态特征点,保留优质的静态特征点进行特征匹配。最后,在图像特征匹配的前提下,结合三维空间点及其投影坐标,利用Pn P（Perspective-n-Point）估计相机运动,再构建最小二乘优化问题调整估计值,为后端优化提供初始值。结合语义信息和建图模块,构建密集的室内语义八叉树地图。利用TUM数据集对本文算法和现有的DS-SLAM算法进行精度评测。与DS-SLAM算法相比,本文算法的实时性提升了9.02%。在高动态数据集上,相机位姿误差缩小了38.94%,大部分误差不超过0.05米;在低动态数据集上,误差不超过0.02米;在静态数据集上,保持与DS-SLAM算法同样良好的性能。实验结果表明:本文算法不仅在静态环境中保持了良好的位姿效果,而且提升了在动态环境中的性能,提高了机器人系统在复杂环境中的定位精度和实时性。