随着传感器性能的提升以及算法的进步,人们对智能移动机器人的自主性要求变得越来越高。尤其今年受到新冠疫情的影响,各类服务机器人都在防疫工作中得到了应用,在物资转运、场所消毒等方面都起到了重要的作用。但在实际使用过程中,这些机器人还存在着工作效率低下、无法全面实现自主作业的问题。现有机器人的算法设计大多假设为静态场景,这使得机器人在动态环境中的工作表现不尽如人意。本文以提高移动机器人在动态场景下定位与建图的准确性和鲁棒性为基本目标,主要工作如下:首先,分析了各种经典图像特征配方法的局限性,然后引出了一种基于网格的运动统计特征匹配方法。详细介绍了该特征匹配方法的数学模型,并进行了算法设计。通过实验,验证了基于网格的运动统计特征匹配方法比ORB方法有更高的匹配准确率,可以有效剔除由于场景中物体位置发生变化所带来的误匹配,从而可以提高SLAM系统在动态环境中的定位精度。其次,针对目前ORB-SLAM2系统在动态场景下定位精度低、位姿估计轨迹容易出现漂移等问题,研究了ORB-SLAM2算法框架及多线程工作原理,将基于运动统计的特征匹配方法加入到ORB-SLAM2算法框架当中。并且在多个动态场景的TUM数据集上做了对比试验,实验结果表明,改进后的算法在一定程度上提高了系统的定位准确性。再次,详细推导了视觉—IMU融合的预积分和紧耦合算法。针对单目相机需要复杂的初始化过程以及尺度不确定性等问题,提出了一种RGBD相机与IMU融合的方法,并简化了IMU初始化的过程。融合系统不需要人为干预,可直接进行定位与建图,提高了系统的自主性。最后,完成了视觉—IMU系统搭建和相应的传感器数据同步程序设计,并在真实的室内环境下利用手持设备进行了定位与建图实验。分别对改进前后的ORB-SLAM2算法以及视觉—IMU融合算法在静态与动态场景下做了对比实验,测试了三种算法在相机静止、做少量运动以及做大的回环运动时的定位与建图效果。实验结果表明本文所提出的基于视觉—IMU融合的SLAM算法能够适用于大部分的室内场景,且在动态场景下也能够准确定位。