移动机器人同步定位与建图（Simultaneous Localization and Mapping,SLAM）方法是用于机器人环境感知和导航的主流建图方法。传统的视觉SLAM方法中RGB-D信息非常重要,系统可以从RBG-D相机中获取颜色和深度等数据,其中,在获取深度数据的过程中会受到距离、光照等因素的限制,难以获得较好的建图效果。单目相机结构灵活、价格低廉,在实际中有较高的应用价值。如何使SLAM系统在单目相机做传感器的条件下,准确地恢复三维空间信息是研究的热点方向。另一方面,由于传统的SLAM方法往往只采用数据量庞大的点云地图等形式来表示地图重建结果,设计出将重建的地图直接用于导航的SLAM系统,在移动机器人完成实际任务的过程中也十分重要。实际机器人工作经常在复杂动态场景中完成,但当下的SLAM方法往往基于静态环境假设,经典的SLAM方法难以在动态环境中进行准确的地图重建。如何将语义信息融合到传统SLAM方法中,进而提高动态环境下的建图准确性,也是当下的热点问题。课题首先设计并实现了新的深度估计算法来解决单目相机无法获取环境深度信息的问题,深度估计方法基于编码器-解码器架构,在Deep Lab V3+基础上对神经网络结构进行修改设计:使用高精度的Res Net101网络结合空洞卷积模型作为骨干网络,采用像素级的分类结果作为输出,获取预估深度图。在深度估计过程中还设计了动态跳帧策略,对损失函数进行了优化,使深度估计结果更加平滑。其次,考虑到机器人的导航需求,本文基于深度估计方法,设计并实现了一个完整的单目视觉SLAM系统,可以重建出直接用于导航的三维栅格地图。整个系统的设计基于视觉惯性融合SLAM方法Vins-Mono,利用单目深度估计方法获取深度信息,恢复出三维点云地图,并利用点云地图构建出能准确标识障碍物信息的三维栅格地图。最后,针对动态物体影响定位与建图准确度的问题,文中在研究总结现有方法的基础上,提出了在动态环境下构建语义地图的设计方案。动态环境建图方案基于语义分割方法,对场景中的所有物体进行语义标记,在文中实现的单目视觉SLAM系统的基础上,将二维语义信息与三维点云相关联,去掉动态特征点,维护带有语义的点云地图。在进行栅格地图构建时,使用概率更新的方式,构建完整的静态栅格地图。