近些年来,人工智能技术发展迅速,机器人,无人驾驶等领域逐渐走到人们的生活中。同时定位与建图（SLAM,simultaneous localization and mapping）是这些领域的关键技术之一,它尝试解决无人设备的定位以及环境的感知等方面的问题。然而在现实的场景中,存在着一些复杂的场景,比如移动物体较多的动态场景,经常发生变化的场景等,这些环境会使SLAM系统的定位和建图精度下降,从而会导致整个无人系统的定位感知精度急剧下降。针对复杂动态场景下的视觉SLAM定位与建图,本文深入研究了动态场景SLAM,语义地图,重定位等关键技术,构建了一个面向动态环境下视觉SLAM系统（Dyn-ORB-SLAM）,旨在提升整个SLAM系统在实际场景下定位与建图的准确性和鲁棒性。本文主要完成的工作及取得的创新点如下:1.针对动态环境下SLAM系统定位效果差的问题,提出了一个基于语义和几何信息的动态SLAM模型。在视觉SLAM中,周围的环境由路标点组成,系统需要利用这些路标点的约束来获取结果,但是在动态场景下,这些路标点时时刻刻在改变位置,从而会影响整个系统的精度。本文建立了一个适用于动态场景下的SLAM系统,综合运用了特征点的语义信息和几何信息来处理动态物体,构建约束条件。在公开数据集TUM上实验证明,在高动态的场景序列中,对于绝对轨迹误差（ATE）,相比于原本的SLAM系统ORBSLAM2,均方根误差精度可以降低70%以上,相比于目前的主流动态SLAM框架如DS-SLAM,在大部分数据集上,有着更好的精度。2.针对动态环境下SLAM系统建图出现重影的问题,提出了一个适用于动态场景下的SLAM语义建图模型。本文以ORB-SLAM2系统为基础,实现了点云地图,八叉树地图,栅格地图,语义地图等多种建图方法,比较了各种建图方法的优劣。为了解决动态场景下地图可能会出现重影的情况,构建了一个基于语义分割方法的动态场景语义建图模型。在公开数据集TUM上实验证明,相比于原本的方法,有效减少了动态场景下语义建图的重影。3.针对SLAM系统长期运行下出现累积误差的问题,提出了一个基于语义地图进行重定位的模型。为了解决帧间匹配导致的累积误差的问题,设计了一种基于地图元素进行匹配的方法。在数据集KITTI00上实验表明,在未进行回环时,绝对轨迹误差的均方根降低了 25.4%,可有效纠正系统累积误差的产生。并且考虑到在建图后场景有可能会发生变化的情况,本文基于语义地图提出了一种基于二次重投影的检测地图元素变化的模块,在公开数据集OpenLORIS-Scene上进行了实验,实验证明,在数据集当中变化检测的准确率达80%,可以有效鉴别出当前场景的变化区域。