随着无人机技术的不断发展,人们也开始将无人机应用在了各行各业,特别是在如今新冠疫情肆虐的情形下,无人机在疫情防控中扮演了重要的角色。但无论是防疫消杀还是物资配送,都需要无人机具备自主感知能力,即知道自己的位置且能正确感知周围的事物,精确的三维地图是实现无人机自主感知不可缺少的条件。SLAM（同时定位与地图构建,Simultaneous Localization and Mapping）作为无人机、无人车等为代表的智能体核心技术能在一定程度上解决精确三维地图构建的问题,尤其视觉SLAM凭借只需相机作为传感器的优势在无人机上有着广泛的应用。但现阶段应用于无人机上的视觉SLAM系统存在对室外动态环境不鲁棒的问题,动态环境中的动态实例会严重影响相机的位姿估计,使得所构建的地图不准确,无法应用于下游任务（导航和避障等）。因此,本文基于ORB-SLAM2框架设计了一套在室外动态环境下具有较好鲁棒性的无人机SLAM系统RO-SLAM（Robust Outdoor SLAM）。首先针对动态实例特征点去除这一问题对经典语义分割网络PSPNet进行了改进,减少了其计算参数量,便于在无人机等移动平台上部署,且提出了一种基于特征增强和带权融合的小目标分支,提高了在室外场景下的小目标检测精度。使用语义分割网络对场景中的可动实例进行识别,将其特征点去除,不参与相机的位姿估计,从而达到抗动态干扰的目的。由于进行动态实例去除过后会在构建的地图中产生许多空洞,传统方法是通过多视图几何填补分方法对空洞进行填补,但这种方法受位姿估计影响大,且当关键帧中不存在当前帧的特征点时填补效果也会大打折扣。本文针对上述缺陷提出了一种基于生成对抗网络的填补方法,使用辅助描述子对静态场景按照语义信息进行填补,增强了SLAM系统容错率。最后,本文在公开数据集上对语义分割网络和SLAM系统进行了验证,两者在公开数据集上都取得了较好的性能。同时,本文还搭建了验证平台在真实场景中对系统进行了验证,验证结果表明本文所设计系统能完成在室外动态环境下的三维地图构建工作。