近年来,随着人工智能技术的快速发展,移动机器人、增强现实与无人驾驶等前沿科技逐步走进人们的日常生活。同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）是上述技术感知周围环境并实现自主定位的重要手段,其能够在没有先验环境信息的情况下,借助自身传感器构建地图且实现自主定位,成为当前学术界和工业界的研究热点。其中ORB-SLAM3是当前最优秀的视觉SLAM算法之一,但其和大多数视觉SLAM技术一样,只能在静态环境下正常工作,极大地限制了ORB-SLAM3的应用场景。针对这一问题,本文提出基于贝叶斯框架的运动分割方法来提高ORBSLAM3在动态环境下的定位精度和鲁棒性,其采用由粗到细的多级特征分类策略,能够利用相邻帧图像的时空一致性约束更新特征点的移动概率,并设定阈值判别特征点状态,从而去除动态特征点。具体地讲,本文主要完成以下研究:首先,为解决先前运动一致性检查方法在高动态场景下特征误分类的问题,本文提出基于图像先验的运动一致性检查方法对特征点状态初步判断。其次,本文设计了一种结合实例分割和运动一致性检查的方法对特征点运动状态进一步判断,充分利用语义先验信息和多视图几何方法的优势互补特性,进一步提高特征点的预分类精度。再次,本文仅在部分帧进行实例分割,为保证特征点分类的精度,本文提出基于贝叶斯框架的特征点移动概率更新策略。该方法基于相邻帧特征状态的一致性约束,将特征点运动状态信息和实例分割帧得到的语义信息传播到当前帧,并利用贝叶斯滤波更新当前帧特征点的移动概率,进一步提高特征点的分类精度的同时因仅在部分帧进行实例分割,大大降低了算法运行耗时。最后,本文将提出的运动分割方法嵌入ORB-SLAM3算法,分别在初始化阶段、跟踪阶段和建图模块优化ORB-SLAM3在动态场景下的性能。本文在TUM和KITTI公开数据集上进行实验,分别测试了单目、双目和RGB-D场景下本文方法的性能。实验结果表明本文方法能够有效剔除动态特征点,在TUM数据集的室内高动态场景序列中,本文方法将ORB-SLAM3在RGBD模式下的定位精度提高了94.9%,同时在单目模式下,本文方法具有快速初始化的优点,大幅提高了ORB-SLAM3的有效跟踪轨迹比率。