基于视觉的同时定位与地图构建（VSLAM:Visual Simultaneous Localization and Mapping）是自动驾驶、虚拟现实、无人机等机器人系统中的关键技术,然而当前的VSLAM系统主要面向静态环境,算法的定位精度和稳定性会受到环境中运动物体的影响。此外,在工业制造、游戏娱乐、文物重建等领域对于三维模型的精细度也提出了越来越高的要求。本文研究的是基于深度学习的室内动态环境下的三维重建,目的是结合深度学习技术,使得VSLAM系统能够克服动态物体的干扰,实现在室内动态环境下的三维重建。本文的主要研究内容与研究成果如下:对于场景中的动态物体的分离是实现动态环境VSLAM的前提,传统的VSLAM算法的定位模块往往基于静态环境假设,动态物体会对定位的精度和鲁棒性造成较大影响。针对该问题,本文基于物体分割的精度和速度的考虑,将实例分割的神经网络和几何分割算法进行结合,得到精细的物体分割掩膜,再结合改进的运动一致性检测算法来检测动态物体,最终得到准确的动态物体的分割掩膜。实现在动态环境下准确位姿估计是VSLAM算法的关键,为了保证系统在复杂的动态环境下能够获得准确位姿,本文提出了一种自适应加权位姿估计算法,在动态物体分割掩膜的基础上,将几何信息和光度信息融合完成位姿估计;针对固定加权在几何信息与光度信息变化条件下难以适应的问题,提出改进的自适应加权算法,通过调整几何信息与光度信息的配比,提高了定位模块在不同环境下的定位性能。为实现三维地图的准确构建,本文采用基于面元的方法完成环境的三维重建,针对系统在长时间运行时可能产生的误差积累问题,使用了基于随机蕨的回环检测算法来对运行过程中的“回环”进行识别,并结合形变图模型对地图进行更新、修正漂移,最终得到全局一致的面元地图。为了验证本课题算法的有效性,利用数据集与实测数据,分别在静态环境、动态环境下对本文算法的定位模块和三维重建模块进行验证评估,根据实验结果表明,在多种场景下,本文算法皆可以获得较高的定位精度与三维重建精度。