获取环境地图是自主移动机器人的一项基本任务,传统的SLAM技术在实时性建图方面已经达到了很高的水平,但所建的地图还不能满足机器人自主导航和避障等任务,在人机的交互性上也存在不少的障碍。在科技迅速发展的今天,对地图的要求已经不局限于定位和建图的精度,还需要对周围环境进行更深层次的语义理解,随着深度学习的快速发展,采用卷积神经网络对图像进行语义分割,再与视觉SLAM相结合建立语义地图的方法已经成为主流的语义建图方式。本文完成了图像语义分割与视觉SLAM技术相结合来构建三维语义地图的工作,以RGB-D相机Kinect v1作为视觉传感器来获得图像的彩色和深度信息,通过Elastic Fusion完成三维点云地图的构建,同时基于FCN的深度反卷积网络进行语义分割,用以获得地图上对应物体的语义信息,最后将该语义信息同点云地图相融合,构建出三维的稠密点云语义地图。本文首先选择Elastic Fusion作为SLAM的建图系统,通过ICP算法和直接法相结合的方式来计算和优化相机位姿,使用面元（surfel）模型表示点云信息,采用优化重建地图的方式提高重建和位姿估计的精度,该算法融合了重定位算法,使用Open GL对点云进行显示和投影;其次本文改进了一种基于FCN的深层反卷积网络,这种网络与FCN的算法具有互补的特点,深层次的反卷积网络中,反池化层能够将全卷积网络中变小的输出恢复到原输入图像大小,反卷积层能够为反池化后的稀疏映射增加密度变为稠密映射,全卷积网络用来提取对象的整体形状,捕获图像中的上下文信息,对于处理不同尺度的对象很有效果。利用这些异构特性可以得到更好的结果,提高语义分割的精度;最后把语义分割算法和建图算法相结合建立三维的语义地图。通过实验结果表明,该算法对于室内常见物体的识别率高于目前主流的分割算法,也满足现阶段需要实时建立稠密语义地图的要求。