同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是指机器人处于一个未知的环境,无法知道自身的位置,不清楚周围环境情况,需借助传感器进行自主定位和周围环境构建。相机传感器的价格便宜、收集的信息丰富、因此备受SLAM领域学者的喜爱。然而早期的SLAM算法都是假设机器人处于静态环境进行算法研究的,但是在现实生活中机器人面向的环境往往是动态的。由于动态物体的存在会给机器人的运行造成很大的影响,比如定位精度的降低,建图的不准确等。因此,本文针对室内动态环境下视觉SLAM算法进行研究,基于传统SLAM算法框架进行改进,减少动态物体对环境的影响,提升算法的定位精度,构建出更加准确的地图。本文的主要工作内容如下:（1）针对动态物体对SLAM算法的影响,本文使用深度学习对图像进行分割的同时,使用光流法跟踪特征点,再对动态点判定,得到有语义信息的分割图。当分割图中某个区域内的动态特征点数量大于预设值,那么这个区域内的特征点都将被剔除,以此来提高SLAM算法的性能。（2）本文以ORB-SLAM2算法框架为基础,将（1）中算法加入到框架中,剔除动态特征点,使用静态点进行特征匹配,以此提升跟踪线程的精度。再通过位姿图对算法整体进行优化,使用词袋模型判断系统是否实现闭环,完成整个SLAM算法过程。（3）搭建整体SLAM算法框架,在ORB-SLAM2框架基础上再增加一个地图构建线程,在删除动态物体信息后,对周围静态环境进行地图构建,再将分割线程分割出的语义信息融入到地图中,进而构建出语义地图。（4）通过TUM数据集,将本文算法与ORB-SLAM2算法及其他优秀算法进行定位精度对比,并进行八叉树地图构建。然后,在现实场景中使用Kinect2.0相机进行实验,根据实验结果验证本算法的实时性和有效性。