同步定位与地图构建（Simultaneous Location And Mapping,SLAM）是指在未知环境中移动机器人通过自身携带的多种传感器采集当前环境中的物理信息,于运动过程中对环境进行建模构图,与此同时还需要定位自身在地图中的位置。然而,现阶段SLAM算法仍存在计算量较大,复杂环境下易出现地图构建失败等问题。SLAM算法的智能化水平仍不及动物的导航能力。为此开发和研究新的移动机器人SLAM算法,特别是借鉴鼠脑海马认知机理构建仿生SLAM模型是近年来一个研究方向和重点。澳大利亚学者Milford等人提出一种基于啮齿类动物海马结构空间导航方法,然而该方法仍存在一些缺陷,如在光线视觉变换下闭环检测准确率较低,长时间运行下累积误差较大,突发动态障碍物的干扰也严重影响该导航方法的导航效果,导致航迹产生较大偏移。针对基于啮齿类动物海马结构空间导航方法易受复杂环境因素干扰,在光线视觉变换下闭环检测准确率较低导致轨迹误差较大等问题,本文通过引入彩色深度图进行回环检测,提高光线突变场景下闭环检测的准确率。受仿鼠脑海马体空间认知机理的启发,本文提出一种基于兴趣倾向机制的仿生SLAM算法。该算法采用反Hebbian网络（Lateral Anti-Hebbian Network,LAHN）对网格细胞进行建模,通过不规则的环境边界信息对构建的网格细胞进行校正,提高算法定位精度。利用兴趣倾向机制对提取的显著性区域进行兴趣赋值,减小冗余显著性区域带来的影响,提高系统定位精度。将环境感知模型提取的视觉信息与位置感知模型竞争出来的位置细胞相融合,建立具有拓扑关系的认知地图。为了克服传统SLAM算法难以适应非固定数据集,不适合实时在线学习的不足,本文在仿鼠脑海马体认知地图构建算法的基础上引入一种具有动态增减机制视觉词袋模型DGP-BoVW（Dynamic growing and pruning Bag of Visual Word）模型对未知环境进行建图。该模型可以根据场景的复杂程度实时动态调整视觉词袋的单词数量。并且为了防止相机采集图像时因移动机器人停止或者缓慢运行获取到大量相似度过高的冗余图像信息,本文设定距离阈值和角度阈值选取图像预选关键帧,而后使用Tenengrad函数对预选关键帧进行评分筛选。最后将满足条件的关键帧作为视觉词袋的输入,并将其与历史关键帧进行相似性度量,当检测到熟悉场景时,系统发生闭环随即校正机器人当前的位置信息。最后,在公开KITTI、TUM数据集和真实环境中对本文算法进行验证,并将本文所提方法与主流的ORB-SLAM2算法和传统的RatSLAM算法进行对比,对比结果表明本文算法在构建地图准确率,实时性以及对环境的适应能力有较好的优势。