随着社会的进步以及科技的发展,移动机器人在人类丰富的生产生活中发挥着更加重要的作用。人工智能的出现对移动机器人的功能提出了更多样化的需求,自主定位与地图构建作为移动机器人必备的功能,引起众多学者的广泛关注。本文针对移动机器人同时定位与建图（Simultaneous Localization and Mapping,SLAM）精度差,构建地图信息单一的问题,将环境中物体对象语义信息提取并融入视觉SLAM,进行了融合物体语义信息的移动机器人视觉SLAM算法研究。首先,根据硬件条件以及所需满足工程要求,对比不同语义信息融合方法,选择最优方案,完成了本文研究内容介绍及整体方案设计。其次,设计了以RGB-D相机为传感器改进关键帧选择的视觉SLAM算法,实现移动机器人自身定位,完成位姿优化及地图构建。算法以ORB-SLAM2为基础,对RGB图像进行特征提取,对相邻两帧图像进行特征匹配,通过Pnp算法进行位姿估计,得到相机当前位姿。通过改进的关键帧选择算法选择合适关键帧,使用光束平差法以及牛顿高斯法进行后端优化并采用基于词袋模型的回环检测消除算法累计误差。使用TUM公开数据集进行实验,实验结果表明改进后的算法选择了更多的关键帧,具有更高的定位精度,能够完成位姿估计并准确构建稠密点云地图。然后,设计了基于深度可分离卷积及通道间注意力机制的改进YOLOv4目标检测与识别算法,进行二维图像语义信息检测。该算法采用CSPDarknet作为特征提取基础网络,通过空间金字塔池化（Spatial Pyramid Pooling,SPP）与路径增广网络（Path Augmentation,PANet）构建特征金字塔,将所得特征输入YOLO Head进行目标检测与识别。在此基础上添加通道间注意力机制,使用深度可分离卷积代替部分传统卷积,在提升目标检测与识别效果的同时,使得网络更加轻量化,适用于以CPU作为控制核心的移动机器人。使用Pascal VOC数据集进行实验,实验结果表明改进后的算法具有更高的检测精度、更小的模型参数以及更快的检测速度,满足语义信息提取要求。接着,设计了RGB图像分割算法以及语义信息融合算法,在二维图像中分割提取物体语义信息,并将其融入视觉SLAM,构建深度语义地图。图像分割采用Graphcuts与Grabcut两种算法相结合的方式,实现RGB图像的精准分割。通过信息一致性及视觉SLAM定位结果进行像素点逆运算构建深度八叉树地图,对目标物体进行语义标注并实时更新,将对象物体语义信息融入视觉SLAM,构建深度语义地图。使用TUM公开数据集进行实验,实验结果表明所设计算法能够将物体语义信息融入视觉SLAM,构建清晰明了的深度语义地图。最后,设计并搭建了移动机器人样机,通过所搭建移动机器人进行了视觉SLAM算法、目标检测与识别算法以及融合物体语义信息的视觉SLAM算法实验。实验结果表明,本文所改进的视觉SLAM算法在移动机器人运行过程中有着更高的定位精度并能够实现实验室稠密点云地图构建;改进的目标检测与识别算法具有更高的识别准确率、更轻量化的网络模型以及更快的检测速度;所设计的语义融合算法能够成功将实验室物体语义信息融入视觉SLAM,构建实验室深度语义地图。