随着科学技术的发展和生活水平的提高,机器人逐渐进入到人们的日常生活。但是目前的家居服务机器人通常是基于同时定位地图构建(Simultaneous Localization and Mapping,SLAM)技术来构建包含几何信息的稀疏路标地图,仅仅能够用于执行导航定位任务。这种情况下,机器人无法理解环境中物品高层语义信息,就难以执行人所下达的包含高层语义信息的命令。在这种需求下,将SLAM和物体检测识别技术结合起来,构建包含物体语义信息的语义地图成为了一个行之有效的解决方案。本文针对室内语义地图的构建,首先研究了物体级的语义地图构建。基于YOLACT(You Only Look At CoefficienTs)网络对图像进行实例分割,并提出了一种结合深度信息的自适应区域增长算法对实例分割进行优化,得到更加准确的三维实例分割,实现了单帧图像的语义标注。针对地图的物体实例,采用YOLACT提取的语义特征和LAB空间的颜色特征对物体实例外观进行特征编码,通过结合外观一致性和空间一致性的方法对地图中的物体进行实例匹配,实现了物体库中的物体构建和物体更新。最后基于八叉树数据结构,构建了包含物体实例信息的语义地图。针对实际环境中更多是包含动态目标的动态场景的情况,本文也研究了面向动态环境的语义地图构建。对于环境中的动态目标,本文提出一种基于光流和先验知识的动态目标检测算法,采用FlowNet2.0网络对光流场进行预测,结合YOLACT语义识别的结果来融合物体动态属性的先验知识来对动态物体进行判定。本文在ORB-SLAM2的基础上进行了改进,通过动态特征点的剔除,提高了动态环境下定位精度,从而提升了语义地图在动态环境下的构建效果。基于机器人操作系统(Robot Operating System,ROS)平台,本文对物体级的语义地图构建和面向动态环境的语义地图的构建都进行了实验。本文针对物体级的语义地图构建和面向动态环境的语义地图构建,都在公开数据集以及实验室所搭建的模拟室内家居环境的实际场景进行了实验验证。实验表明,本文所提出的物体级的语义地图构建算法能够对环境中的物体实例进行识别、匹配,从而能够在语义地图中维护物体实例信息;而本文所提出的面向动态环境的语义地图则能够在动态环境下准确定位,提升了动态环境下的语义地图构建效果,验证了本文算法的可行性和鲁棒性。