随着社会的发展和科技水平的不断提升,机器人技术的研究与应用已进入了崭新的阶段,其研究价值与研究意义得到了各个国家的重视。目前,在各研究领域中都可看到移动机器人的身影,此外,移动机器人的自主探索与环境重建任务也引起了众多学者的关注。虽然这些技术已取得了一定的成果,但是仍存在许多技术难点。例如在室内环境未知的情况下,如何使机器人进行高效的自主探索并构建相关环境地图,仍是移动机器人领域的重点关注问题之一。另一方面,由于现有的地图构建方法缺乏对环境中物体功能、属性等特性更为细致的描述,使机器人难以充分理解环境信息,完成更为复杂的人机交互任务。因此,本文针对复杂场景中移动机器人的自主探索与地图构建问题进行阐述与研究。提出了一种基于改进快速扩展随机树的自主探索式语义地图构建方法,旨在进一步提高机器人的自主性和智能性,进而为机器人完成更为复杂的任务奠定基础。本文主要工作如下:（1）系统全面的综述了 SLAM算法、机器人自主探索算法和语义地图构建算法三个方面的国内外研究现状,并从探索算法的有效性、实时性和语义标注准确性等多个方面指出目前自主语义地图构建算法的不足之处。（2）针对在复杂环境下基于快速扩展随机树的机器人自主探索算法扩展速度慢,进而导致探索效率低下这一问题。本文研究并提出了一种基于改进快速扩展随机树的机器人自主探索算法,能够在复杂环境下对环境进行快速、完整的探索。该改进算法主要由以下三个部分组成:首先,建立全局与局部两种探索策略,全局探索策略获取距离机器人较远的前沿点,而局部探索策略获取机器人附近的前沿点,并且随机树在两种探索策略中均使用穿越障碍物生长和变步长生长方式;其次,对检测到的所有前沿点进行聚类,并建立收益函数,通过计算聚类后各前沿点的收益来确定探索目标点;最后,在机器人运动过程中进行实时观测,确保其到达最优位置,直到探索任务结束。此外,本文在仿真环境中进行了多组实验,并与原方法进行对比,成功证明了本文所提基于改进快速扩展随机树的机器人自主探索算法的有效性和优越性。（3）针对目前移动机器人智能性低、自主性差等问题,本文将机器人自主探索算法和基于深度学习的语义地图构建算法相结合,研究并提出了一种自主探索式语义地图构建算法。通过本文所提方法可使机器人在自主探索过程中,完成对目标场景的语义地图构建任务。本文在实验室环境中进行了自主语义地图构建实验,并与传统手持相机构建语义地图的方式进行对比。结果证明本文所提出的自主语义地图构建算法能够使机器人在不受操作人员控制的情况下,对目标场景进行自主探索的同时得到真实场景的三维语义地图。在一定程度上提高了机器人的自主性和智能性,为机器人完成更高级的的人机交互任务奠定基础。