基于语义地图导航的服务机器人,可以通过环境中的语义信息以人与人之间自然的交互方式执行命令,具有广泛的应用前景。然而,由于现实室内环境是一种动静结合的复杂环境,目前的视觉即时定位与建图（Simultaneous Localization and Mapping,SLAM）技术在复杂的室内环境应用时还存在鲁棒性不足的问题,影响语义地图的构建。针对上述问题,论文进行了如下研究:1)提出了一种改进的DeeplabV3+语义分割网络模型,改善了室内目标重叠及细小区域在语义分割算法中出现的边界模糊、断裂等问题。通过替换浅层特征提取网络的方式降低模型的复杂度,加快模型运行速度,并利用多层信息融合对解码器进行改进,以恢复目标边界细节信息。为了进一步细化目标边界,基于特征共享原理,设计了一种用于预测目标边界的多尺度信息边界提取网络。实验结果表明,相较于Res Net-50网络的DeeplabV3+模型,改进模型对室内目标的分割准确率提高了2.5%,目标边界轮廓更明显。2)提出了一种去除动态目标的回环检测方法,缓解了室内物体多样性的运动对回环检测方法造成的干扰。首先,建立环境动态目标库;然后,结合L-K光流法和改进的DeeplabV3+语义分割网络模型检测出动态目标,并去除目标上的所有特征点;进一步,利用历史关键帧对目标去除区域进行特征点补偿;最后,基于词袋模型,并采用ORB-SLAM2系统的回环验证策略进行回环检测。实验结果表明,在复杂的室内环境下,相较于ORB-SLAM2中的回环检测算法,论文算法回环准确率平均提升了15.2%,且在多种动态场景中,具有较高的鲁棒性。3)结合改进的语义分割和回环检测方法,在ORB-SLAM2框架的基础上搭建了用于构建室内语义地图的视觉SLAM系统。实验结果表明,相较于ORB-SLAM2系统,论文搭建的视觉SLAM系统在复杂的室内环境中具有更高的鲁棒性,且能在线构建可视化的语义地图。