随着智能制造与信息技术的不断发展,移动机器人走进了人们的日常生活,同时定位与建图（Simultaneous Localizationand Mapping,SLAM）作为该领域的核心技术,近年来受到越来越多的学者关注。随着应用场景的不断变化,传统的视觉SLAM系统,面临着动态物体的干扰,导致视觉SLAM系统的误差增大。其次,传统视觉SLAM构建的静态点云地图包含动态信息,冗余度高。本文基于ORB＿SLAM2算法,研究一种针对室内场景下的视觉SLAM算法,以减少动态物体的影响。主要研究内容包含ORB特征点均匀化、动态特征点滤除以点云与语义地图构建。针对ORB＿SLAM2算法中,ORB特征点提取时易聚集在纹理信息丰富区域,而在低纹理区域ORB特征点提取率低的问题。本文采用四叉树均匀化和自适应阈值的方法,降低特征点在纹理信息丰富区域的聚集程度,提高特征点提取的均匀性。在牛津数据集与TUM数据集上的测试实验结果表明,改进算法在弱纹理区域特征点提取率增高,提取的特征点分布均匀,匹配性能增强。在ORB＿SLAM2上的测试结果表明,通过提高特征点提取的均匀性,可以降低视觉SLAM系统的定位误差。现有的视觉SLAM算法未考虑环境中动态物体对相机位姿估计的影响,这些动态物体的引入破坏了帧间的位姿关系,使得特征点匹配时易造成误匹配,降低了系统的定位精度。本文研究一种基于语义分割与运动一致性检测的动态特征点识别算法,滤除场景中的动态信息点,降低视觉SLAM系统的定位误差。在TUM数据集上的测试结果表明,在高动态场景中,动态信息明确,改进算法能够有效的降低视觉SLAM系统的定位误差。在低动态环境中,动态物体运动幅度较小,改进算法对低动态运动敏感性不高,但也能够实现动态特征滤除。ORB＿SLAM2算法构建的稀疏的点云地图,缺少物体的空间几何与语义信息,无法进行移动机器人的移动与导航,而传统通过关键帧建立的稠密点云地图存在大量动态信息,地图冗余度高。本文通过共视关系检测与相似度检测进行关键帧的筛选,结合语义信息滤除动态信息点,并建立语义地图。在TUM数据集上的测试结果表明,构建的点云地图与语义地图不包含动态点云信息,地图冗余度低,语义地图语义信息丰富,能够有效区分场景中的不同物体。创建的八叉树语义地图,能够有效的降低地图点数量,灵活度高。在实际场景中,对改进算法的均匀度、动态环境下动态特征点的滤除效果以及三维点云地图与语义地图的构建等性能进行测试。实验表明改进算法在实验场景中提取的特征点分布均匀,在弱纹理区域能够增加特征提取率。在动态场景中改进算法能够有效滤除动态特征点,构建的点云地图与语义地图结构清晰,信息冗余量少,语义信息丰富。