汽车行业是工业4.0的重要代表,智能汽车研究方向是当前汽车行业研究的主流方向,而即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术也是智能汽车中的关键技术。早期的视觉SLAM系统大多是借助数学模型实现,现今伴随人工智能技术的发展,深度学习语义信息逐渐融入到视觉SLAM系统中,以此来改善SLAM系统。本文研究动态环境下地下车库中智能汽车的视觉SLAM相关内容,提出了在地下车库中视觉建图的方案,主要研究内容包括:（1）针对地下车库昏暗的背景条件制约了视觉前端特征提取的现象,运用了图均衡化的图像预处理方法,对图像进行数据增强,并且在地下车库中进行了测试;分析了YOLOv4的网络参数和损失函数,由于YOLOv4初始权重的检测精度不能满足地下车库自动驾驶汽车要求,采集制作了地下车库VOC2022数据集,经过一系列训练优化,YOLOv4模型在VOC2022数据集上平均检测精确率均值达到了91.16%,检测精度满足自动驾驶汽车要求。（2）针对地下车库场景中车辆、人等动态目标影响视觉建图的问题,通过YOLOv4与ORB-SLAM2相结合的方式,搭建了一个完整的SLAM框架。首先,在传统的视觉前端加入了一个语义分割模块用来识别并剔除车辆、人边界上的特征点,以便降低动态目标对建图的干扰;接着在局部建图线程中更新地图点与位姿,从而进行局部束极调整（Bundle Adjustment,BA）,联立形成超定方程,解出最优的位姿矩阵和空间点坐标;最后借助闭环检测线程检测闭环,当闭环被成功识别后,使用闭环关键帧对地图点进行闭环融合处理,最终位姿通过本质图优化来校正累计误差。（3）针对在地下车库场景中智能汽车结合深度学习目标检测的视觉SLAM技术方案进行实验与分析。搭建了实车实验平台,对算法进行公开数据集验证和实际地下车库环境下实验。在地下车库中,以绝对位姿误差为评价标准,改进的算法相比于ORB-SLAM2均方根误差下降了94.79%、平均误差下降了94.53%、标准差下降了95.51%;以相对位姿误差为评价标准,改进的算法相比于ORB-SLAM2均方根误差下降了86.12%、平均误差下降了86.71%、标准差下降了85.99%,实验结果分析表明在动态环境下的整体性能明显优于ORB-SLAM2,智能汽车在地下车库场景下结合深度学习目标检测的视觉SLAM技术方案能够有效提高定位精度。