同时定位与地图构建（SLAM）是机器人移动导航的核心技术。在SLAM系统框架中,稠密地图能为机器人提供完整的环境信息,是机器人实现定位、导航和避障功能的关键基础,因此构建稠密地图在SLAM中占据非常重要的位置。而当前稠密建图多基于静态环境提出。实际中,由于动态物体（如行人、车辆）的存在,基于静态物体构建的稠密地图的质量由此大幅下降。解决动态环境下稠密建图的问题具有十分重要的意义。在总结前人工作的基础上,本文设计了一种不依赖先验的动态物体低成本高效检测方法,结合鲁棒的动态稠密视觉里程计,最终实现了稠密地图的建图和更新。具体工作如下。（1）研究一种新颖的、不依赖深度学习的动态物体检测算法。传统动态环境建图,多依赖深度学习实现行人检测及剔除。但深度学习所需硬件成本较高,实时性较差。本文设计了一种前后景快速分割的方法,无需先验信息,利用RGBD视频流,实现实时精准的动态物体检测与分割。实验表明本算法能够有效地检测出动态物体,具有较好的鲁棒性。（2）结合动态物体检测模块,提出一种鲁棒性动态稠密视觉里程计。本文利用记录动静信息的二值矩阵,构建多级残差模型,剔除每一层中残差模型中的动态像素残差,通过最小二乘优化得到更精确、鲁棒的相机位姿。实验表明,本文提出的动态稠密视觉里程计估计出的相机位姿,相比于其他算法具有更高精度。（3）针对场景中动态物体状态的复杂性,提出一种动态环境稠密建图的地图融合和更新方式,以构建静态的背景地图。本文提出了基于深度的背景模型方法,用于区分不属于模型的地图模型元素,并根据该方法动态更新地图,提高建图精确度。实验结果显示,本文提出的算法构建的地图模型具有较低的误差。