随着服务机器人技术不断提高,家庭服务机器人正在逐步走入人们的生活中。作为家庭服务机器人的基础,基于SLAM（Simultaneous Localization and Mapping,实时定位与建图）技术构建的度量地图可用于执行基本的导航任务,但面向包含高层语义信息的家庭服务任务的执行时,机器人无法理解语义信息,难以应用度量地图执行相应指令。为此,在传统SLAM技术基础上,融合基于深度学习的物品检测与实例分割技术,构建既能够表达环境信息又能包含实例物品语义信息的物品级语义地图成为新的研究热点。本文主要完成如下工作:为解决家庭环境存在的动态物品影响地图精度的问题,研究了基于动态场景处理的三维稠密点云地图构建。对于家庭环境中存在的动态物品,提出运用神经网络和传统动态检测方法实现对动态物品的剔除,采用基于YOLOv5模型构建的轻量化物品检测网络及动态物品数据集通过对极约束对家庭环境常见动态物品进行检测,而对不在该数据集中的环境物品采用金字塔LK光流法进行动态检测,并对检测出的物品动态特征点进行剔除,从而提高地图精度。同时针对稀疏点云地图不适用于三维场景重构问题,提出对基于动态场景处理模块的ORBSLAM3系统添加稠密点云地图构建线程,从而实现三维环境地图重建。为获取实例物品的三维语义信息,研究了通过三维边界框投影的物品语义信息提取方法。针对物品点云提取,提出运用RANSAC平面提取算法进行稠密点云的平面检测从而获取物品点云,并针对该算法受阈值影响引入了自适应阈值策略。针对点云团三维信息获取,采用基于密度的DBScan聚类分割算法将物品点云分割为子点云团的集合,并针对原始算法中搜索临近点较慢的特点利用KD树加速此过程,从而快速获取每个点云团的三维信息。通过点云团获取的三维边界框进行投影所得二维边界框,与运用Mask RCNN深度学习网络获取的二维边界框进行相似度比对,从而获取实例物品的三维语义信息。为构建有利于服务任务执行的物品级语义地图,采用稠密点云地图与三维语义信息融合的方式研究了物品级语义地图构建方法。针对语义信息的存储,构建了实例物品语义数据库对其进行存储与更新。对数据库中的实例物品按照类别采用不同颜色进行区分,并将实例物品信息融合到稠密点云中,实现静态稠密点云地图的语义信息关联,同时针对点云占用空间较大等问题,构建了包含物品三维边界框的物品级语义八叉树地图。最后对本文提出的物品级语义地图构建方法在TUM数据集中的静态、动态序列数据集及实验室模拟家庭场景进行实验验证。实验表明,本文方法能够有效提取家庭场景下环境物品的三维信息,并提高语义地图构建精度。