基于视觉的同时定位与建图（Simultaneous Localization and Mapping,SLAM）是机器人对环境感知的重要方法。目前大多数视觉SLAM都是基于静态环境假设设计的,在动态环境下性能较差,阻碍了机器人技术进一步在实际生产生活中的应用。鉴于此,本文基于ORB-SLAM2,研究了一种基于深度相机的面向动态环境的视觉SLAM系统,主要研究工作如下:对一种实例分割模型Mask R-CNN进行了加速处理。Mask R-CNN有良好的物体分割精度,但对图像的处理速度较慢,在与视觉SLAM相结合后,会损害系统的实时性。本文通过对Mask R-CNN的图像预处理阶段进行调整以及在Mask R-CNN中主干网络的改进,极大地提升了融合Mask R-CNN后,视觉SLAM对输入图像的处理速度。提出了一种新颖的运动分割方法。对运动物体进行分割,并对运动信息进行移除,是确保视觉SLAM不受运动物体干扰的关键。目前视觉SLAM中采用的运动分割方法准确性较低,会影响视觉SLAM在动态环境下的性能。本文所提方法分为对环境中主动移动物体与被动移动物体的分割:对连续运动的主动移动物体（行人）,采用基于实例分割模型Mask R-CNN与一种可以对Mask R-CNN的欠分割结果进行修复的掩膜修复法相结合的运动分割方法,确保主动移动物体分割的准确性。对于被动移动物体,采用改进的基于金字塔LK（Lucas-Kanade）光流的运动检测与基于区域生长法的运动分割相结合的方法,提高了被动移动物体分割的准确性。本文运动分割方法产生的精确分割结果可以提高在动态环境下视觉SLAM的定位精度与构图效果。对ORB-SLAM2中的特征点处理方法进行改进。在ORB-SLAM2中没有对运动物体特征点进行有效处理,也会保留许多低纹理区域的低响应值特征点,造成数据关联混乱,影响位姿估计的准确性。本文基于运动分割结果,对前景（运动物体）特征点进行移除,并通过基于四叉树与响应值的背景特征点均匀化算法对低响应值的背景特征点进行处理,有效的解决了动态环境下视觉SLAM中数据关联混乱的问题。最后结合以上工作,构建了面向动态环境的视觉SLAM,并在动态环境下对改进方案进行位姿估计与建图相关实验。实验结果证明,改进方案在动态环境下有较高定位精度,并且构建的地图可读性较强。