近年来,视觉SLAM（Simultaneous Localization and Mapping,SLAM）在自动驾驶、无人机和虚拟现实等方面都发挥着至关重要的作用,结合目标检测的SLAM也受到越来越多的关注。但不可否认的是,在利用特征提取的非直接方法中,视觉SLAM仍然面临诸多挑战。首先,系统位置及姿态的跟踪对于环境亮度比较敏感,光照强度的变化会影响特征提取及深度估计的结果,导致视觉SLAM系统的稳定性降低;其次,在构建环境地图的过程中,动态特征点会被视为地图的一部分,不正确的地图会影响系统后续的跟踪,导致视觉SLAM系统的鲁棒性降低。针对上述问题,本文提出一种改进的视觉SLAM算法。具体包括以下内容:（1）针对纹理信息不足和环境亮度变化导致的SLAM系统跟踪丢失的问题,提出了一种融合信息熵的视觉里程计算法。首先将单帧图像划分成相同大小的图像块,对划分的每一个图像块进行信息熵计算,将信息熵较小的图像块剔除,将信息熵适中的图像块增强,剩余信息熵较大的图像块直接传递到特征提取模块,提高视觉SLAM系统的特征提取效果。其次针对环境亮度突然变化导致特征点提取不足的问题,提出一种自适应阈值的ORB特征提取算法,为不同对比度的图像提升特征提取效果。最后设计改进的视觉里程计算法,并与经典视觉SLAM算法ORBSLAM2进行比较分析。实验结果显示改进的算法在特征提取、特征匹配和系统鲁棒性方面均具有一定的优势。（2）针对多运动目标动态环境中传统视觉SLAM系统无法正常跟踪的问题,本文将视觉SLAM算法与实例分割算法相结合,采用Mask R-CNN网络对输入图像进行实例分割,并对输出的图像进行处理,将潜在的动态目标从图像中剔除,避免提取动态特征点而影响后续特征匹配。结合优化的视觉里程计算法建立完整的动态视觉SLAM系统。实验结果表明,相较于传统视觉SLAM算法,本文所提算法在TUM数据集的动态场景中有着更好的定位精度和鲁棒性。本文构建的动态环境下融合信息熵的视觉SLAM系统,在环境纹理信息不足,动态目标过多的场景下相较于ORB-SLAM2系统运行更稳定。