目前的视觉SLAM算法大部分是基于静态环境的假设下进行设计的,其在动态环境下的鲁棒性与精度较差,原因在于场景中的运动物体会造成位姿估计过程中特征的误匹配,进而影响其定位精度与建图准确性,因此需要对动态环境进行处理。然而,现有的动态环境下SLAM算法存在准确度低与实时性较差的问题。因此本课题针对态环境进行SLAM算法设计,在保证实时性的基础上提升SLAM系统在动态环境下的定位精度,并由此改进的SLAM系统获得动态环境的语义地图。首先,从移动机器人位姿估计的角度分析了动态环境对SLAM算法的影响,结合语义分割与光流法,设计了动态环境下的运动物体处理算法。针对目前的运动物体检测算法进行分析,利用稀疏LK光流检测场景中物体的运动信息,同时采用图像语义分割获取场景中潜在运动物体准确的位置区域,结合二者信息进行运动物体的轮廓区域提取。在后续的同步定位与建图过程,去除运动物体区域的特征点与空间点,降低其对SLAM系统定位与建图的影响。并通过实验验证了本文运动物体处理算法的有效性与实时性。其次,针对运动物体处理环节的图像语义分割任务,设计了基于卷积的图像语义分割网络。SLAM算法应用于实际环境对于实时性有较高的要求,分析得知限制本文算法实时性的环节为运动物体处理过程中的语义分割部分。基于卷积神经网络,通过引入空洞卷积、减小网络解码器规模、使用反池化等方式设计了小型轻量化的语义分割网络。通过相关实验对比,验证了该网络的实现了准确度与效率的均衡。随后,为了完成移动机器人的建图功能,实现对周围环境的感知,本课题结合二维图像的语义信息与SLAM算法构建动态环境下的语义地图。利用运动物体处理环节获取的运动物体信息去除场景中的运动物体部分,提升SLAM的建图质量与动态场景环境建图的鲁棒性。同时引入语义信息融合算法对空间地图中不断更新的语义信息进行优化,完成三维语义场景的建立。最后,搭建实验平台,并在数据集与实际场景中进行动态环境下位姿估计与语义建图的相关实验。大量实验结果表明,本文所设计的SLAM算法能够很好在高动态环境运行,移动机器人的位姿估计精度得到了较大提升,同时能够在运动物体的干扰下准确建立环境语义地图。