在目前的科技发展浪潮中,人工智能技术的普遍应用已经成为各领域前沿技术发展的重要趋势,特别是机器人领域的发展受到极大关注。同时定位与建图(Simultaneous Localization and Mapping,SLAM)研究机器人的定位、导航和路径规划等问题,在SLAM系统中添加语义是提升机器人人机交互能力的重要途径。本文提出一种基于多分辨率级联网络的语义SLAM建图模块,提出一个针对RGB-D输入的多分辨率级联网络来实现平衡精度与速度的图像语义分割。本文所提出的多分辨率级联网络是针对RGB-D多维输入的情况,包含了三个分辨率情况下的图像输入,利用深度近似卷积以低成本的运算代价和内存消耗融合深度图像信息,以中分辨率经过浅层特征提取层得到的特征图作为低分辨率分支进行进一步特征提取,三个分辨率分支的特征使得网络对全局语义信息和局部细节信息具有良好的提取能力。利用多分辨率特征进行融合并利用标签进行监督训练,并在预测过程达到实时效率。本文提出的以多分辨率级联网络为基础的SLAM语义建图模块能够以实时效率针对RGB-D输入获取分割结果预测图,在SLAM的视觉里程计模块沿用目前已有的基于RGB-D的SLAM系统框架,在建图模块引入多分辨率级联网络提高效率,增强建图的稠密度。本文在NYUv2和SUN RGB-D数据集对多分辨率级联网络进行图像语义分割任务的测试和验证,并与其他优秀算法进行比较,本文所提出的网络结构对精度和运行速度两方面更具平衡性。同时本文在NYUv2数据集提供的视频数据上对提出的SLAM语义建图模块进行了实现,达成了稠密的语义建图。