近些年随着人工智能技术的发展进步,智能化移动机器人开始逐渐的在我们的生活中崭露头角,视觉SLAM技术可以帮助机器人在陌生的环境中进行自我定位和构建周围环境的地图,在室内各种复杂多变的环境中完成作业任务。目前基于特征点匹配的视觉SLAM算法大多数都假设外部环境是静态的,但是在现实环境中不可避免的会出现一些移动物体,例如室内行走的行人和被搬动的桌子等,所以在现实环境中并不能满足静态环境这一基本假设,这些移动物体会导致视觉SLAM系统定位精度和建图准确性的降低。然而,目前大部分基于深度学习的动态视觉SLAM算法都存在实时性差的问题,当外部环境发生变化,由动态场景变成弱纹理场景时候,由于场景中缺乏纹理特征,造成特征点提取的困难,就会造成跟踪丢失的现象,因此本文以室内动态场景和弱纹理场景为研究对象,以提高视觉SLAM算法的稳定性和实时性为研究目标,改进了一种基于点面特征和深度学习的视觉SLAM算法,主要创新点如下:（1）轻量化动态视觉SLAM算法研究。为解决目前现有的动态视觉SLAM大部分都存在实时性差和定位精度低的问题,本文以ORBSLAM2为研究基础使用精细化的轻量级目标检测模型YOLOv4-tiny对前端采集到的RGB图像进行目标检测,同时结合对积几何和LK光流法处理场景中不存在先验知识的移动物体,对提取到的动态特征进行剔除,使用静态特征点对相机进行位姿估计。由于轻量化目标检测模型存在检测精度低的问题,在文中通过引入混合注意力机制模块,使得模型能够保证检测速度的同时,提高目标检测的精度。使用TUM公共数据集进行了室内动态环境中的定位建图实验,通过大量的实验数据证明,和ORBSLAM2系统相比,本文所改进的算法在行人来回走动的室内高动态环境中位姿估计的精度可以提高93.35%,处理每一帧分辨率为680×480大小的图片耗时21.49ms,在保证实时性的前提下,又能达到较高的定位精度,能够有效的处理算法运行时的准确度和速度的均衡。（2）点面特征优化的鲁棒视觉SLAM研究。当外部环境由动态环境变化为特征信息不丰富的弱纹理场景时,由于特征点的缺乏可能会发生跟踪丢失的现象,进而导致算法的稳定性降低。为进一步提高视觉SLAM系统处理外界环境变化的能力,本文在ORB-SLAM3的研究基础上,在前端提取特征点的同时,结合深度点云信息对场景中的平面特征进行提取,结合场景中的点和平面特征并基于相机的匀速运动模型来对相机的位姿进行追踪,以此来解决场景中由于特征点不足导致的跟踪丢失的问题;在公共数据集TUM上和真实的宿舍楼室内环境中都进行了定位建图实验,实验结果表明,和ORB-SLAM3相比,本文所改进的算法位姿估计的精度可提高94.08%,当外界环境由动态场景变化为弱纹理场景时,结合相机的运动轨迹可以看出,本文所改进的算法可以长时间稳定的运行在弱纹理场景中,不会发生跟踪丢失的现象,真实场景中的实验结果同样也证明了本文所改进算法的有效性和鲁棒性。