基于视觉的同时定位与建图技术(Visual SLAM)被认为是移动机器人走向智能化的重要基础之一,这项技术赋予了机器人在未知环境中进行自主定位和构建地图的能力。但是目前大部分的视觉SLAM研究大多默认机器人所处的环境是静态的,若场景内存在体积较大的运动物体,则传统方法在计算过程中将会受到严重的干扰而出现相机定位误差增大以及地图产生重影等问题,这极大地限制了视觉SLAM在现实场景中的应用。针对移动机器人在动态环境中进行精确定位和地图构建的迫切需求,本文在使用深度神经网络获得语义信息的基础上,对动态场景下的相机定位与建图方法进行了研究。同时针对深度神经网络分割不准确以及传统方法在计算位姿时受运动物体影响较大等问题,重点开展了基于语义信息的特征提取、点线融合的帧间位姿估计、结合多视图几何方法的运动物体检测等研究,并且搭建了基于RGBD相机的动态SLAM系统。最后通过标准数据集和真实场景数据对算法的有效性进行了对比验证。本文的具体工作内容如下:首先,针对动态场景下的图像特征提取与匹配问题,本文使用了MaskRCNN对彩色图像进行语义分割获得掩码图,而后结合深度图像的几何信息对掩码图进行了细化处理。同时,从彩色图像中提取了ORB特征点与LSD特征线段并分别计算了其描述子,进而结合语义信息对提取到的特征进行分类和快速匹配。其次,针对如何检测运动物体以及提高动态场景下位姿估计精度的问题,本文首先基于特征点初步计算出当前帧的位姿,在此基础上,利用多视图几何方法对当前帧所得点云的空间一致性进行检测,同时利用中值光流法对识别出的物体进行跟踪,结合两种方法的输出结果准确地分割出运动物体,并且,从当前帧的数据中去除该物体所占像素,进一步对点线特征的重投影误差进行优化以计算出更精准的位姿。另外,通过在建图过程中将检测出的运动物体像素完全去除,解决了地图的重影问题。最后,本文使用标准数据集和从真实场景中采集到的数据,以流行的开源SLAM方法作为对比,通过数次实验对本文所提算法在动态场景下的定位效果以及建图质量进行了测试,实验数据及效果说明,在动态场景下,本文提出的算法相比于传统方法在相机定位和稠密地图构建方面均具有较为突出的优势。