机器人在陌生环境下移动时,同时定位与建图（Simultaneous Localization and Mapping,SLAM）是其关键技术。当前视觉SLAM的研究大多数是基于静态环境中,如果环境中存在范围较大的动态物体时,会对SLAM系统造成较大干扰,这阻碍了视觉SLAM的实际应用。针对传统视觉SLAM面向动态环境存在的问题,结合深度学习算法,对动态环境下提高视觉SLAM的鲁棒性展开研究。为了能克服动态物体的影响,需要识别动态物体并进行剔除,以凭借剩余静态场景进行定位与建图。动态物体除了对视觉里程计造成影响外,还干扰回环检测的准确度。借助深度学习卷积神经网络,建立适于检测动态物体与回环检测的结构流程,搭建基于深度相机的动态环境下的视觉SLAM系统。首先研究检测动态特征点方法。通过比较常见的目标检测方法,选用YOLO v4来识别动态物体。由于视觉SLAM容易受到面积较大的动态物体影响以及对速度的要求,对YOLO v4进行轻量化改进,选用MobileNetv3作为骨干网络提取特征,并对改进后的网络模型与原始方法进行对比分析。其次设计剔除动态物体上的特征点的具体流程。利用深度学习目标检测算法剔除预先设定的动态物体上的特征点,基于目标检测提供的语义信息,结合RANSAC算法与对极几何,降低潜在动态特征点数量。改进剔除动态特征点时前后帧关联能力,增强深度学习与图像几何关系的融合。然后研究基于MobileNetv3进行回环检测。利用MobileNetv3检测回环,改进检测回环流程,使用深度学习卷积神经网络代替词袋模型。最后开发试验系统进行对比测试。选用回环检测数据集测试回环检测模块性能,选用不同动态范围的TUM数据集进行测试,与经典的ORB SLAM2进行定位对比。同时还搭建真实环境测试平台,设计真实环境实验方法,展示真实环境下与ORB SLAM2方法对比测试效果,验证了本文方法的正确性。