近年来,随着计算机相关领域的蓬勃发展,智能化移动机器人逐步进入日常生活。在未知环境中,移动机器人基于视觉SLAM（Visual Simultaneous Localization and Mapping,VSLAM）算法构建稀疏特征地图和稠密地图,以完成定位导航任务。但是,传统的视觉SLAM算法建立在场景静态的假设环境下,较少考虑实际场景存在的动态物体,从而降低了定位和建图的精度,并且机器人无法从稀疏特征地图和稠密地图中获得语义信息,难以执行高层次的语义任务。在室内动态环境中,为了提升移动机器人对环境的感知水平和地图构建的精度,本文提出了一种基于语义信息的视觉SLAM算法。本文主要研究内容包括:（1）视觉SLAM算法基础研究。深入分析了视觉SLAM算法中视觉里程计的基本模型与原理,针对动态物体对视觉SLAM的影响,提出一种基于语义信息的视觉SLAM算法。以ORB-SLAM2算法为基础框架,增加动态区域检测和语义分割模块,以达到去除动态目标对位姿估计的影响,同时利用图像的语义信息构建含有语义信息的室内地图。（2）室内动态环境中基于动态区域检测的视觉里程计研究。针对视觉里程计中由于动态物体降低位姿估计精度的问题,本文设计了一种基于动态区域检测的视觉里程计。该方法在视觉里程计中增加了动态区域检测模块,结合单应矩阵和稠密光流对图像进行动态区域检测,提升在动态环境中位姿估计的精度,同时利用三角函数原理规避复杂运算,加快ORB特征点的提取。在动态区域检测中,利用稠密光流法计算图像的光流场信息,并结合单应矩阵减小由于相机运动导致的光流变化,通过动态光流阈值确定图像中运动区域,剔除动态区域中的特征点,利用静态特征点完成位姿估计。（3）基于语义信息的室内地图构建算法研究。本文采用Bise Net V2网络对传感器采集的图像进行语义分割,获得图像中的语义信息,针对二维图像语义信息映射到三维空间时出现的过分割问题,本文提出了结合深度信息的区域生长算法对三维分割进行优化,提高物体语义标注的准确性。针对动态目标对建图的影响,通过语义信息与动态区域相结合确定动态目标,剔除运动物体构建出的地图点,构建室内地图。最后,使用TUM公开数据集与实际的动态场景,对本文提出的算法与ORB-SLAM2、DS-SLAM算法进行了实验评估与分析。TUM公开数据集的实验结果表明,在动态场景中本文算法的轨迹精度优于ORB-SLAM2与DS-SLAM算法,提升了动态环境中定位的精度,并且提升了静态语义地图的构建效果。实际动态场景的实验结果验证了本文算法的可行性和鲁棒性。