随着计算机技术的发展,智能机器人所能承担的工作越来越多,对机器人数量的需求也不断激增。同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）作为机器人识别场景信息的有效技术,近年来得到了许多研究人员的重视。本文针对现有SLAM算法对场景细节理解不够、建图细节信息缺失以及容易受动态物体的影响等问题,结合了语义分割网络和动态剔除算法,深入研究了在静态和动态环境具有良好性能的SLAM算法。主要研究内容总结如下:（1）针对图像处理时不同尺寸的物体无法同时保持较好性能,容易忽略细节或上下文联系的问题,构建了一种融合多尺度特征的深度学习网络（Hierarchical Semantic Network,Hie Sem Net）,选取不同扩张率的空洞卷积构成空间金字塔模块,利用多尺度融合结构提取特征,捕获全局上下文信息;以及基于多层通道注意力和空间注意力的融合语义分割网络（Multilayer Attention Network,Mul Atten Net）,引入多层注意力机制,改善全局特征图和局部特征图的提取和融合效果;设计适用于多尺度融合网络的损失函数,有效缓解梯度下降。在主流语义分割数据集ADE20k上与其他5个前沿语义分割网络进行比较,平均像素准确度（Mean Pixel Accuracy,MPA）分别提高了0.44%和1.15%,均交并比（Mean Intersection over Union,MIo U）分别提高了0.62%和0.93%。（2）针对静态环境的识别、建图中,现有的静态语义SLAM算法无法满足对复杂环境场景理解的问题,提出了一种将SLAM点云定位技术与语义分割网络相结合的未知环境地图构建算法,实现高精度三维地图重建。利用获取的场景实时彩色信息进行相机的位姿估计,融合语义分割网络,对未知场景信息进行语义分割;利用深度信息和相机位姿进行空间点云估计,将语义分割信息与三维点云信息相融合,从而构建出具有语义信息的高精度点云地图,实现了三维地图重建。在TUM RGB-D数据集和真实环境RGB-D场景中进行实验,并与其他语义SLAM算法进行了比较,验证了本文方法对场景的识别能力更好,构建的地图更加完整且准确。（3）针对动态环境识别、建图中,现有的动态语义SLAM算法无法有效剔除动态物体,建图的准确性不够高的问题,提出了一种将语义分割技术与动态特征点剔除相结合的SLAM算法,实现未知动态场景的地图构建。利用RGB信息进行语义分割,根据先验知识剔除场景中动态物体,并粗略估计相机位姿;结合相机位姿和深度信息,判断动态特征点,剔除动态区域;最后根据剔除后的静态特征点进行地图的构建。在TUM RGB-D数据集和KITTI数据集中四个动态场景中进行了实验,并与文献中其他经典SLAM算法和两个前沿动态SLAM算法进行了比较,建图的绝对位姿误差（Absolute Pose Error,APE）缩小了4.76%,相对轨迹误差（Relative Pose Error,RPE）缩小了60.27%。