机器人地图创建和定位是机器人领域内的一个重要研究方向。传统的移动机器人自主地图创建方法构建的栅格地图和拓扑地图可以满足机器人完成定位、导航、路径规划等任务需求。但以上两种地图只能描述环境的几何信息和拓扑信息,不包含环境的高级语义信息,而这些信息对于机器人更充分地理解环境、执行更高级的人机交互任务都是至关重要的。比如栅格地图可以表达出一个房间的几何信息,但是并不能指示出房间中有什么物体,也不能描述房间的属性和功能。而语义地图的构建便可以解决这一问题,使机器人在语义层次上理解环境信息,这和人类对环境理解的方式更为接近,在未来智能家居、医疗助残等领域有着广阔的应用前景。然而长期实践表明,移动机器人语义地图构建面临着诸多难题,如深度相机直接获得的深度图像存在大量的无效点会影响物体位置的获取与计算,环境物体的检测精度不高,基于图像的目标检测算法计算复杂度高无法在移动机器人上实时运行以及如何将语义信息和目标检测信息结合构建可用的语义地图等。此外,如何搭建、配置和部署机器人的硬件和软件环境以同时适应机器人传感器设备驱动、控制、导航定位、目标检测、网络通信等功能也是一个亟待解决的工程问题。本文针对上述问题展开了研究,主要贡献有:(1)开发了一种轻量级的基于深度卷积神经网络的目标检测模型,在保证了检测精度的同时,实现了高效的目标检测功能。并利用了视频流中的帧间光流信息,使用运动信息指导传播算法降低检测算法的漏检率。(2)针对Kinect等RGB-D深度摄像机生成的深度图像存在以黑边、黑洞表现的大量无效点的缺陷,使用CUDA(Compute Unified Device Architecture,统一计算设备架构)技术开发了一种实时的深度图像修复算法。既完成了深度图像恢复的功能又保证了算法的实时性。(3)本文利用移动机器人的同时定位与地图创建算法(SLAM,Simultaneous Localization and Mapping)技术,实现移动机器人底层的定位、导航、地图创建功能,并在此基础上使用贝叶斯推理框架,同时融合了环境的度量信息与视觉识别信息完成了语义地图的创建。本文针对深度图像修复的实时性、基于深度卷积神经网络的物体检测算法的实时性、移动机器人语义地图构建及表示的方法,提出了有效的解决方案。室内真实场景下的语义地图构建结果验证了本文方法的有效性。