SLAM是机器人进行定位与地图构建时使用的核心技术,在大多数自主移动设备中起着重要的作用。随着机器人行业的快速发展,对SLAM技术的要求在逐渐提高,传统的视觉SLAM系统有许多待改进的地方,例如提高机器人在复杂环境下的定位精度,辅助机器人完成达到语义层次的智能任务等。深度学习方法在视觉方面的多种任务中有着极大的优势,因此本文结合深度学习方法,研究了如何对传统视觉SLAM系统进行改进,分别从视觉里程计、位姿优化、地图构建三个部分进行系统设计。在视觉里程计的设计中,为了减小动态物体对视觉里程计的影响,本文利用光流法检测出动态特征点,同时使用YOLOv3检测出目标物体的边框,根据动态特征点的位置和边框位置去掉动态物体的所有特征点。在对位姿进行优化的方法中,首先简要分析了图优化方法的优势,然后提出了一种基于卷积神经网络的回环检测方法,即使用卷积神经网络提取关键帧的特征向量,对比关键帧之间的相似度,根据相似度判断是否产生回环。在地图构建部分,本文在三维点云地图的基础上,使用超体素分割和目标检测的方法,构建了语义物体库,完成了语义信息与点云地图的融合。实验结果表明,本文的视觉里程计在静态和动态场景下均有较高精度的位姿估计结果,和ORB-SLAM2系统相比,在动态场景下提升效果更明显,提升最高可达90%;相比使用ORB特征的词袋模型的方法,本文的回环检测算法判断回环的准确度更高,在相同召回率下,精确率可以高出20%左右;本文生成的语义地图能较明显的区分出环境中的物体,有利于机器人完成更智能的任务。