机器人在周围环境中主要以SLAM（Simultaneous Localization and Mapping,SLAM）算法完成自主定位和地图构建的任务。为了提高机器人对环境的适应能力和降低其生产成本,视觉SLAM逐渐成为机器人定位和建图的主流算法。但是,现有的视觉SLAM算法主要应用于静态场景,不能直接应用于动态场景。基于特征点法的视觉SLAM算法在动态场景中会有较差的位姿估计,并且在建图过程运动物体会形成拖影。因此本文通过对应用于各种动态场景中的视觉SLAM算法进行深入研究,提高应用在动态场景中的视觉SLAM算法的定位精度和建图效果。特征点法的视觉里程计是以场景中不存在动态物体为基本假设,获取当前状态下机器人的运动估计。但是,大多场景都不是完全静态的,运动物体会给位姿估计带来误差,影响定位精度。针对移动物体降低视觉SLAM在动态场景中定位精度的问题,本文提出一种基于实例分割图像的动态物体检测算法。该算法通过识别和剔除场景中常见的动态物体,并结合对极几何算法,利用匹配点间的极线距离关系来检测和剔除先验知识是静态的动态特征点。最后,基于图像形态学算法剔除动态边缘区域的特征点。实验结果表明,基于实例分割和对极几何极线距离约束的动态点剔除算法能够有效提升系统定位精度。SLAM建图默认是在静态环境中构建不含动态物体的地图。针对运动物体在地图构建过程中会形成拖影,无法构建全局一致且只含静态物体的地图问题。首先,使用阈值函数改进FMM算法,提升修复深度图的效果。其次,根据前端里程计信息去配准地图并生成对应的2D图像。然后,基于背景差分思想将2D图像生成差异图并获取动态物体的区域。最后,使用语义分割网络检测出动态物体的轮廓区域,保留不含动态标签的地图数据。实验结果表明,本文算法有效地解决了动态物体在地图构建中形成的拖影问题,提升了地图的质量。构建基于RGB-D相机的视觉SLAM定位和建图平台,并且对视觉传感器进行标定和实验场景的选定。首先,采集长方形走廊和办公室场景的实验数据,并对深度图缺失部分的数据进行修复。其次,使用本文算法对采集的数据进行动态物体滤除并进行定位测试。然后,构建真实场景的稠密点云地图。最后,输出并分析真实场景中的回环检测结果。实验结果表明本文算法在真实动态场景对定位和建图具有良好的性能。