当今社会,科技水平发展日新月异,人工智能在其中扮演着重要的角色。智能机器人作为人工智能的一个典型代表,已经在仓储运输,医疗,救援,服务等诸多场景被广泛使用。基于视觉的同步定位与地图构建（SLAM,Simultaneous Localization and Mapping）技术是智能机器人研究领域里的关键技术。然而,传统的SLAM系统大多基于静态环境的假设,在动态环境下容易受到场景中动态物体的影响,导致算法的鲁棒性和精度严重下降。本文将视觉SLAM系统作为研究对象,以提升其在动态环境下的鲁棒性和精度为目标,针对SLAM系统中的视觉里程计,闭环检测,关键帧选择方案进行研究,提出了一种面向动态场景的视觉SLAM系统。本文主要的工作内容如下:1)首先,根据SLAM中特征提取与匹配的特点,分析可移动物体对视觉里程计的影响。接着在ORB-SLAM2的视觉里程计框架基础上添加一种改进的基于几何约束的动静态特征点划分方案,从而滤除位于动态物体上的动态特征点,只采用静态点估计相机位姿。实验证明,本文所提出的视觉里程计方案在动态场景下对运动物体具有较高的鲁棒性,并能有限保留特征点质量以及数量,降低了视觉里程计中出现位姿估计失败情况的可能性。2)其次,为了避免闭环检测算法在动态场景下出现不稳定甚至检测失败的情况,本文基于运动物体检测结果剔除关键帧中动态特征点的同时补偿静态背景区域,将静态特征点投影到视觉词典树中得到图像对应的场景描述向量。为了降低闭环检测算法出现感知歧义问题的概率,本文基于对视觉单词间稳定邻近空间关系的考虑,根据视觉单词间凝固度值的判断得到视觉词组以及视觉词组集。另外,本文还改进了金字塔词频-逆向文件频率（TF-IDF,Term Frequency-inverse Document Frequency）的表示方法以及图像间的相似性计算函数,由视觉单词和视觉词组共同计算图像间的相似性得分。实验结果表明,本文算法能够有效减少闭环检测中存在的感知歧义问题,并有效提高闭环检测召回率。3)最后,本文对所提出的面向动态场景的SLAM系统包含的四个线程的工作任务一一讲解。同时,考虑到前端视觉里程计输出的关键帧对后端局部建图线程和闭环检测线程有着很大的影响,所以本文对关键帧选择方案进行分析。采用比例微分控制算法将传统的固定阈值方案用具有自适应调整能力的动态阈值来调整,实现了关键帧的动态选择,从而能够优化关键帧集合。另外,本文还对所提出的SLAM系统进行一系列验证其鲁棒性和精度的实验,从而验证本文所提系统的可行性和有效性。