随着计算机技术的不断提升以及工业5.0的到来,移动机器人的应用日益广泛。移动机器人常使用同时定位及地图构建（Simultaneous Localization and Mapping,SLAM）技术来构建环境地图。但机器人在使用激光SLAM构建地图和导航时,并不能理解环境中物体语义信息,这就导致机器人无法执行语义信息赋予的行动命令。因此,基于视觉传感器的视觉SLAM开始逐渐成为人们的研究热点。如何将视觉SLAM与深度学习语义分割技术结合起来,构建含有语义信息的三维地图成为当前本领域研究重点。本文针对该课题,从设计视觉SLAM算法、提取语义信息和构建语义地图三个方面进行分析研究。主要工作成果如下:（1）针对传统视觉SLAM在动态场景下的鲁棒性和精度不够高的问题,提出一种基于语义分割的SLAM算法,通过卷积神经网络提取语义信息,结合ORB-SLAM2算法构建三维稠密点云地图,然后利用三维点云信息的离散性原理,将二维图像中的语义信息融合到三维点云地图中,从而构建一个含有语义信息的三维稠密点云地图。（2）针对传统的ORB-SLAM2点云信息稀疏导致定位信息丢失问题,在ORB-SLAM2的基础上进行改进,改进特征提取算法,在原有的ORB特征提取算法中加入了高斯尺度空间,获得具有尺度不变性和旋转不变性的特征点,然后采用了RANSAC算法剔除多余特征信息,解决特征信息帧间匹配过程中造成的误差大、效率低等问题;在使用改进后的算法构建地图中,加入稠密点云信息,解决了传统的ORB-SLAM2由于点云信息稀疏导致的信息丢失问题,且稠密的点云信息更适合后续融合语义信息;在构建全局地图时,采用图优化的方法进行点云地图构建,引入闭环检测,实现了对相机位姿和全局地图的优化。（3）为解决网络结构复杂计算量过大的问题,改进DeepLabV3+原有网络结构,在使用原有DeepLabV3+算法提取到图像特征信息后,引入K-近邻算法,对图像中的特征信息进行相似性对比分类,然后将分类后的特征信息放入卷积神经网络中进行训练,该方法能够有效提高算法的训练速度及语义分割的准确率。（4）针对基于语义分割的SLAM算法研究需求,搭建基于语义分割的SLAM算法的实验平台,并对三维语义稠密点云地图构建结果进行分析,将本文构建的语义SLAM系统与传统视觉SLAM系统的绝对轨迹误差（APE）进行比较,从而验证本文算法的可行性。