深度相机的低成本化,加上有限的室内场景范围,极大地推动了基于RGB-D图像的室内视觉SLAM的发展。闭环检测与场景地图构建是RGB-D SLAM能够实现定位导航并保持全局一致的重要模块。闭环检测用于识别曾经到过的地方;地图构建用于将观测信息生成点云地图。目前的RGB-D SLAM存在两个方面的问题:一方面,传统的地图构建充分利用场景的几何信息,但忽略了语义信息,限制了机器人的任务能力;另一方面,常用的循环闭环检测算法存在两个问题:一是采用邻近帧的运动情况来度量闭环,累积误差的影响较大;二是忽略了室内动态点对系统准确度的影响。针对上述问题,本文分别提出了一种基于RGB-D SLAM的闭环检测和Octomap改进算法和基于PSPNet的室内视觉语义SLAM系统。本文的具体研究内容如下:（1）设计了一种基于RGB-D SLAM的闭环检测和Octomap改进算法。闭环检测改进算法将机器人运动轨迹曲率与循环闭包检测算法相结合,由轨迹曲率的大小来决定选择局部闭环还是全局闭环。Octomap改进算法结合高斯分布的双侧置信区间,利用统计理论给平均K-最近邻距离的初值设定提供依据,再将滤波后的点云图转换成Octomap。实验结果表明改进之后点云地图平均内存消耗下降约11.4%,平均减少异常值11.3%;Octomap平均内存消耗下降约26.7%,平均减少异常值27.3%。（2）提出了一种基于PSPNet的室内视觉SLAM场景解析算法。PSPNet先利用预训练的ResNet网络对SLAM系统的输入图像进行特征提取,然后通过金字塔池化模型对不同尺度的特征进行池化、卷积和上采样操作将多尺度特征融合,最后通过一层卷积层得到图像像素级别的解析信息。解析出的语义标签利用贝叶斯更新法则在点云上实时地融合更新。实验表明,PSPNet对室内场景解析效果良好,能够得到准确的语义标签。（3）设计了一种基于场景解析的三维语义地图生成算法。利用对极约束模型,通过求解投影坐标点到极线的距离来判别场景的动态点并将其剔除。剔除动态点之后结合场景解析网络获得的实时语义信息构建系统全局语义地图。实验表明,系统能够准确构建全局一致的三维语义地图,且前端性能相比ORB-SLAM2在绝对轨迹误差上平均提升约5%,在相对轨迹误差上平均提升约8%。