随着无人技术的发展,SLAM技术作为核心技术也得到了快速发展,但目前的SLAM技术在动态场景中使用时会存在由运动物体导致的错误数据关联,导致定位与建图效果的下降。针对上述问题,本文对基于物体分割的动态环境视觉惯性定位与建图算法进行了研究,实现了对场景中物体的检测、跟踪、运动状态判别以及速度估计,并在地图中实现了对物体较为稠密的点云建图,提升了SLAM系统的定位精度。本文的主要研究工作如下:（1）设计了动态环境下的双目视觉里程计。在动态场景下使用Mask R CNN算法进行物体检测,将物体和静态背景分割。在静态背景上提取ORB特征点,利用静态视觉里程计得到相机的初始位姿。结合物体检测的结果以及RAFT计算得到的稠密光流信息,设计帧间的物体跟踪算法;结合相机的初始位姿以及物体检测结果,设计了物体运动状态判别以及运动位姿估计算法。最后,将静态物体当做静态背景处理,提取更多的特征点来进一步优化定位的精度。（2）设计了面向动态环境的结合双目视觉和IMU的里程计。利用IMU短时间内漂移较小的特性,结合上一时刻相机的位姿和IMU预积分的结果,快速得到当前时刻下一个较为准确的相机位姿,再利用此相机位姿来进行物体运动状态的判别。并通过添加IMU约束进一步提高了动态物体运动位姿优化的精度。（3）本文对双目视觉里程计及双目视觉惯性里程计均设计的后端优化算法进行了研究。通过维护跟踪过程中的共视关系图和本质关系图,并进一步结合共视关系为相机位姿的优化问题添加更多的约束;在加入IMU时,还将向前一些时刻的IMU预积分约束添加到优化问题之中,进一步提高了定位的精度。本文还设计了针对物体区域的较为稠密的建图算法,使得地图中包含有一定的语义信息。（4）在KITTI数据集和实际动态场景中进行了本文相关算法的测试。本文在KITTI＿03和KITTI＿07两个数据集上进行动态环境双目视觉SLAM算法测试,实验结果证明了本文的算法在动态环境中定位精度较于ORB＿SLAM3有一定的提升。本文进行算法的实际场景包含有一定动态车辆且总长度大约为350m的一个回环,实验结果表明,本文算法在实际场景中的定位精度较于ORB＿SLAM3也得到了一定的提升。