随着移动机器人在各个领域的广泛应用,SLAM(Simultaneous Localization and Mapping)作为其自主导航、环境交互的核心算法,逐渐受到学术界和工业界的重视。当前SLAM算法普遍是基于环境的几何特征,其精度已经达到瓶颈,其鲁棒性还有待提高。随着无人驾驶、人机协作等新型应用场景的出现,要求机器人在具备感知环境几何信息能力的同时,具备语义信息感知能力。随着深度学习技术在计算机视觉上应用与突破,将这种感知能力赋予机器人,是当前整个学术界的研究热点。为了解决机器人实时获取语义信息的问题,提出了一种融合空间信息与语义信息的实时语义分割算法。从语义分割任务的理解出发,将语义分割拆解为空间信息定位与语义信息分类的任务组合。构建了空间信息支路,语义信息支路和信息融合模块,通过特征可视化验证了各个模块的有效性。该算法在GTX1080Ti上分割640×480的真实场景图片仅需要16ms,在Pascal VOC数据集上取得了71.3%mIoU的结果,取得了实时分割的效果,满足机器人的环境感知需求。为了提升传统SLAM算法的鲁棒性,提出了一种融合语义信息的SLAM算法。通过引入语义信息,解决了传统RANSAC(Random Sample Consensus)算法没有考虑样本内在联系,对样本关系的假设过于强烈,不符合刚体运动规律的问题,以刚体运动规律作为先验知识,提高了机器人的初始位姿估计鲁棒性;采用特征点滤除方法,对多物体运动场景下的各个运动状态进行解耦,同时基于特征点语义信息关联,强化了SLAM算法在跟踪和回环检测过程中的数据关联一致性,提升了机器人的位姿估计精度。最后,搭建移动机器人实验平台,对所提算法进行标准数据集和真实场景实验验证。实验结果表明,所提算法在多个场景下,其绝对估计和相对估计的均方根误差都比当前的ORB-SLAM2算法有了比较明显的提升,同时具有很好的泛化性能。