同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是指移动机器人在没有任何环境先验信息的情况下,通过搭载的传感器获取的信息同步确定自身所在位置和构建环境地图。视觉传感器（如相机）成本低廉、体积小且能获取较为丰富的信息,因此基于视觉的SLAM系统很快成为机器人领域研究的热点。早期的视觉SLAM系统都是基于环境静止的假设提出来的,然而随着机器人工作环境的复杂化,这种理想状态下的假设就不再适用,研究人员开始转向动态环境下视觉SLAM算法的研究。机器人在动态环境运行过程中会遇到大量动态目标,如房间内有人或者宠物在走动,在特征匹配过程中如果不滤除动态目标身上的动态特征点会造成位姿估计出现误差,导致机器人定位精度降低。因此,本文针对视觉SLAM系统在动态环境下定位精度低与建图效果差的问题,提出了一个基于改进YOLO（You Only Look Once）与光流约束的视觉SLAM算法。主要工作内容如下:（1）为了能有效检测出场景中的动态目标,提出了一个基于改进YOLO-v3与光流约束的动态目标检测算法。先使用YOLO-v3检测出场景中潜在的动态目标。由于小目标身上的特征点数量少,不会对系统精度造成严重影响,因此对原始YOLO-v3网络结构进行优化,保留网络中对大、中目标进行检测的特征提取层,同时修改网络检测的类别,使其只检测生活中常见的动态目标,以便节省检测时间和提高检测效率。为了进一步确定检测到的目标的身上哪些属于动态特征点,基于光流约束计算出每个特征点的动态概率,根据动态概率进行动态特征点和静态特征点的分类。最后基于几何约束滤除所有不符合要求的特征点。经实验证实所提算法能有效检测场景中存在的动态目标。（2）在ORB-SLAM2框架的基础上,将上述的动态目标检测算法作为一个新的并行线程加入到原框架中,并在跟踪线程中新增动态特征点滤除算法用来滤除检测到的动态特征点,仅使用静态特征点用于特征匹配,保证跟踪的精度。同时添加了特征点数目自适应增加算法,根据动态区局占据面积的大小增加特征点数目,保证跟踪的稳定。（3）在公开数据集上进行了对比实验,分别与经典的静态视觉SLAM和动态视觉SLAM进行对比,从绝对轨迹误差和相对旋转误差两大评判标准对实验结果进行评估。实验结果证明,本文提出的视觉SLAM算法能有效滤除动态目标上的动态特征点,减少了动态目标对系统的影响,大大降低了位姿估计的误差,提高了定位精度。