随着深度学习技术与机器人技术的发展和应用,人们需要更加智能的机器人,而同步定位与建图（SLAM）技术是智能机器人应用于工作和生活的基本能力。近几年,SLAM技术的快速发展,使各种SLAM算法在某些方面已经取得了良好的性能,并能够应用于一些特定的场景中,但仍有很多问题尚未解决。因此,本课题针对SLAM算法目前存在的一些问题开展深入研究,提出一套完整的在动态环境下可对场景进行语义分析的语义SLAM算法。该算法主要包括如下两个部分:（1）针对传统视觉SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢问题,提出一种在动态环境下可以同步定位与多地图构建（DE-SLAMM）的SLAM算法。该算法首先引入一种多地图构建思想,当算法跟丢时,算法会自适应生成一个新的局部地图,并在回环时将该多个新地图之间相互融合,形成一个全局地图,从而解决算法跟丢后无法重建问题;其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,从而解决传统SLAM算法无法在动态环境下跟踪建图问题;最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM（ORB-SLAM2、ORBSLAMM和Dyna-SLAM）算法,当发生跟踪丢失时,本文算法可在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和Dyna-SLAM在算法跟丢后直接进行重定位,无法继续对所处环境跟踪和建图;ORBSLAMM跟丢后虽然可继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标（先验和移动目标）的实时检测及背景修复,Dyna-SLAM只能实现先验目标检测,而其它两种算法无法实现动态环境下目标检测和地图构建。（2）然而,传统SLAM算法无法识别环境中的物体,为了使机器人能够对环境进行语义分析,更好的识别环境中的物体,本文提出一种全新的多通道深度加权聚合网络（Muti-Channel Deep Weighted Aggregation Net,MCDWA Net）的实时语义分割框架,用来配合DE-SLAMM算法使机器人在对环境跟踪和建图过程中还能对环境中的物体进行精确分割与识别。该语义分割框架首先引入多通道思想,构建一种三通道语义表征模型,可用于提取图像的三类互补语义信息:1)低级语义通道输出图像中物体的边缘、颜色、结构等局部特征;2)辅助语义通道提取介于低级语义和高级语义的过渡信息,并实现对高级语义通道的多层反馈,确保高级语义通道提取的快速性和准确性;3)高级语义通道获取图像中上下文逻辑关系及类别语义信息。之后,设计一种三类语义特征加权聚合模块,该模块可将三通道输出的互补语义特征加权后进行深度融合,来生成图像的全局语义描述,从而使网络的分割精度得到较大幅度的提升。最后,引入一种增强训练机制,加强训练阶段的特征表示,强化和改善训练速度。实验结果表明,本文方法在复杂场景中进行语义分割不仅有较快的推理速度,且有很高的分割精度,能够实现语义分割速度与精度的均衡,所设计的增强训练模块能够很好的改善网络训练性能。最后,设计了硬件测试平台,利用ROS机器人操作系统将DE-SLAMM算法和MCDWANet算法融合为动态语义多建图SLAM算法,并在硬件测试平台上对动态语义SLAM算法进行整体性测试,从而验证算法在硬件平台上的运行效果。硬件测试结果表明,本文研究的动态语义多建图SLAM算法在硬件测试平台上运行时,可以跟踪环境和建立环境的三维点云地图,并且能够对所处环境进行语义分析,整体效果较好。