同步定位与地图构建（SLAM,Simultaneous Localization and Mapping）是移动机器人的基本功能,现有的动态场景视觉SLAM算法存在准确度不够、实时性有待提高、硬件要求较高等问题。而目前主流的视觉SLAM技术主要基于静态场景假设,且仅包含一些几何信息,在动态场景中易受运动目标影响,造成位姿估计误匹配,导致系统鲁棒性和定位精度较差。因此本文设计了一种新的在动态场景下的视觉SLAM算法,该算法能在普通PC上运行,并具有较高实时性和定位精度。在此基础上,融合三维语义信息构建了动态场景下的视觉语义地图,为辅助机器人实现更智能化的任务奠定基础。具体研究内容如下:首先,本文在ORB＿SLAM2基础上提出了一种在动态场景中的视觉语义地图构建框架DVS-SLAM（Dynamic Visual Semantic SLAM）。该框架在跟踪线程中添加动态目标检测与剔除算法,降低了动态目标对系统定位精度的影响。新增语义信息提取线程,结合轻量级目标检测网络和三维点云分割算法获取三维语义信息。新增三维地图构建线程,通过Octo-Map构建适用于导航的三维语义地图。其次,分析了动态目标在移动机器人位姿估计阶段对视觉SLAM的影响,在跟踪线程中加入基于多视角几何的动静点检测算法,改进基于区域生长的动态目标剔除算法,对动态区域进行掩码并剔除其中的动态特征点,在保证实时性的情况下,有效提高系统的定位精度。随后,针对在移动机器人端实现的语义地图构建,添加结合SSD-Mobile Net V2深度学习框架以获取2D信息的目标检测线程,考虑到目标界限信息不明显的影响,故融合基于颜色凹凸性的超体聚类算法实现3D目标信息的精细分割,并与2D目标进行匹配,获取最终的面向物体的语义目标信息。最后,在TUM数据集的动态序列和自主搭建的机器人平台上对本文剔除地方案进行系统测试,并与ORB＿SLAM2进行比较,实验结果表明算法绝对轨迹误差（ATE）的均方根（RMSE）和标准差（S.D）相对ORB＿SLAM2系统提高了95.86%和90.56%,并具有较好的实时性和鲁棒性。同时,本方案通过多线程引入Octo-Map来构建稠密语义地图,实时更新目标检测数据库,完成稠密语义八叉树地图的构建,提升了移动机器人的环境感知能力。