近些年,伴随着人工智能技术的快速发展,移动机器人技术在社会各行各业有了更加广泛的应用前景。考虑到GPS、高精度惯性传感器、磁条、激光等的弊端问题,基于视觉的同时定位与地图构建(SLAM)更加适合于室内移动机器人的智能导航应用,同时也成为了国内外广大学者的研究热点。本文根据国内外相关文献总结分析了视觉SLAM算法的现状,并在ORB-SLAM2算法的基础上开展了对室内移动机器人的视觉SLAM算法研究,提高了视觉SLAM的定位精度,主要研究内容与成果如下:(1)搭建基于ROS与单目ORB-SLAM2的移动机器人平台。由于单目ORBSLAM2算法在分解本质矩阵求解旋转矩阵R和平移向量t时,会存在尺度等价性问题,而R?SO(3)自身具有约束,但t和本质矩阵分解的奇异值有关,所以不同的t决定了空间三维点的深度,本文通过分析单目ORB-SLAM2的线程框架原理,结合全向移动机器人平台的编码器估计单目相机的尺度因子,实现基于单目相机的移动机器人定位。(2)针对室内环境拥挤、动态性高的问题,基于特征点提取匹配的ORBSLAM2算法鲁棒性会急剧下降。本文结合基于深度神经网络的YOLOv3算法以及光流法,分别对室内环境中的预定义动态目标和潜在动态目标进行检测识别。最后在基于RGB-D相机的ORB-SLAM2算法中剔除筛选出的动态特征点。将算法在TUM数据集的动态序列中进行测试,结果表明ORB-SLAM2算法的相对轨迹误差RPE和绝对轨迹误差ATE提高了近90%,为构建精准室内地图奠定良好基础。(3)针对基于RGB-D相机的ORB-SLAM2算法构建的稀疏点云地图缺乏对环境的表征能力,无法用于室内移动机器人的智能导航与人机交互,本文结合YOLOv3算法对室内环境物体进行检测识别,通过索引点云大小,计算2D语义检测框中物体的实际大小与位置,最终获得包含3D语义检测框的八叉树地图,实验在真实环境中进行了测试,获得了实验室环境的语义八叉树地图。