近年来,我国自主通信技术不断突破行业壁垒,尤其是5G通信技术的普及,进一步推动了自主运动机器人的发展。新冠肺炎的爆发需要减少人与人的密切接触,大量的服务机器人投入到抗疫一线,在物资投送、区域消毒等方面发挥了重要作用。移动机器人在未知环境中能够实现自主运动主要依赖于同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术。但是在实际使用过程中,这些服务机器人在复杂场景下普遍存在工作效率低、定位精度差等问题。这是因为传统的SLAM算法大多是针对静态环境进行设计的,导致移动机器人在复杂动态场景中的定位性能较差,很大程度上限制了SLAM技术在真实场景中的应用。本文主要研究如何提升机器人在真实场景中对动态信息的感知能力,实现机器人在动态场景中的精确定位和平稳运行。本文的主要工作如下:首先,本文研究了视觉惯性SLAM中的基础模型,详细讨论了单目相机模型、畸变模型和视觉重投影误差模型,对惯性传感器的运动模型进行了深入研究,并对IMU预积分进行了详尽的公式推导。其次,本文研究了视觉惯性系统的初始化与特征提取方法,针对传统ORB特征提取方法在动态环境下提取到的特征点中包含大量动态特征,从而导致的特征误匹配问题,提出了基于对极几何的动态特征点检测算法。针对ORB特征提取耗时的问题,采用稀疏光流法对非关键帧中的特征进行跟踪。针对在动态环境中容易跟踪丢失的问题,本文根据维护的局部地图数据库和IMU数据进行重定位。改进后的SLAM系统在动态环境中的定位精度与运行速度有了明显提升。然后,本文对动态SLAM系统的后端优化部分进行了详细介绍,在滑动窗口内以紧耦合的方式将视觉和惯性信息进行融合,针对动态环境对视觉SLAM的干扰问题,提出一种自适应调整策略,该策略能够根据环境情况调整后端优化过程中惯性信息与视觉信息的权重,提升了SLAM系统在动态环境中的鲁棒性。最后,通过实验验证了对本文算法在动态环境中的准确性和鲁棒性。本文在公开的TUM-VI视觉惯性数据集的静态序列和动态序列上分别进行了性能测试,并在相同的实验条件下与VINS-Mono和ORB-SLAM2算法进行了对比分析。最终的实验结果表明本文改进的SLAM系统能够在动态环境中平稳运行,本文前端里程计在静态场景中处理每帧的耗时相较于ORB-SLAM2算法减少了72.82%,在动态环境中则减少了76.04%;本算法在动态环境中的定位精度相较于VINS-Mono算法提升了约47%。