同步定位与建图（Simultaneous Localization and Mapping,SLAM）是移动机器人在陌生复杂环境中执行智能任务的关键,亦是当前机器人和无人平台领域的研究热点。移动机器人利用SLAM算法可以实现在陌生复杂环境中仅依赖传感器对四周环境的探测来建立环境地图,并计算自身在其中的位置。SLAM研究至今,可以完成对大范围场景的实时定位与地图创建。但是,传统的SLAM算法依然存在两个问题:一是面对动态场景时由于动态物体的干扰会影响位姿估计过程中的特征匹配,定位精度下降,导致系统鲁棒性不足,故动态场景定位精度和鲁棒性不佳;二是构建三维地图低效,地图可读性不强,特别是在进行大范围场景的三维建图时,无法保证实时性,地图存在重影现象。针对以上问题,本文在传统视觉SLAM算法基础上做出改进,旨在提升动态场景下SLAM的定位精度和建图准确性,同时保证实时性。具体研究方法如下:（1）在位姿估计环节增加动态特征点筛选过程。利用语义信息与光流信息,通过二者的结合筛选动态特征点,提出了针对动态场景下移动物体的处理算法。研究了当下主流的基于深度学习的语义分割算法和目标检测算法,对其分割精度和速度,检测精度和速度进行了深入分析和实验比较,综合评估后将使用深度学习的物体检测分类器结合到ORB-SLAM框架中,并结合稀疏LK光流信息判定其中的动态物体,仅利用静态特征点进行匹配和投影,构造重投影误差进行位姿求解。（2）在点云建图环节对动态物体进行剔除并改进关键帧筛选机制。较大的轨迹误差对世界坐标的计算影响极大,从而造成点云地图重影,构建的点云地图中若存在动态物体将影响地图的可读性。对由语义信息和光流信息筛选出的动态物体进行边缘检测和填充标记,得到动态物体像素信息,根据需要剔除的信息以及共视特征点信息来判断关键帧的有效性和冗余性以获取绘图关键帧,有利于关键帧的进一步精简,能够有效解决大量点云计算带来的时间效率问题。（3）测试本文SLAM系统的性能。基于TUM数据集进行动态场景下物体检测、跟踪定位、点云地图构建的相关实验。通过与ORB-SLAM、DS-SLAM、Dyna SLAM方法的对比,本研究提出的SLAM方法在高动态场景中能更好地运行,正确分辨出动态和静态物体,准确地剔除动态信息,从而实现精确定位和三维地图构建,最终实验结果证明本研究所改进的SLAM系统的准确性和鲁棒性在高动态场景中有大幅度提升。