近年来,随着移动机器人在众多领域发挥重大作用,日渐复杂任务对机器人智能化水平提出更高要求,移动机器人智能化一个核心表现在于对未知环境探索与感知。利用视觉SLAM技术,可以精确估计机器人移动轨迹与位置,并准确构建环境地图,完成移动机器人对外部环境几何信息和拓扑信息表征,而缺乏对于外部环境语义信息获取,限制机器人对外部环境语义感知能力。因此,本课题在视觉SLAM研究基础上,结合视觉SLAM算法与基于深度卷积神经网络的图像语义分割模型,实现包含语义信息的三维稠密语义地图构建,增强移动机器人对所处环境语义信息感知,使机器人完成更复杂任务成为可能。文章主要工作包含以下三个方面:（1）针对本文实验环境,采用RGB-D相机为传感器,文章分别实现了以面片模型为基础进行三维稠密地图构建的Elastic Fusion算法和ORB-SLAM2算法完成基于点云模型地图构建,完成移动机器人对外部环境几何信息表征。实验结果表明,构建以面片模型为基础的三维稠密地图对比点云模型在大尺度场景效果更好。（2）针对移动机器人语义信息感知需求,采用Deeplab V3+语义分割模型,实现移动机器人对外部场景语义信息获取。对包含大量参数的Deeplab V3+模型难以满足实时性问题,设计了轻量级Deeplab V3+语义分割模型,实现分割精度与速率平衡,保障网络分割模型结合视觉SLAM系统后,满足三维语义地图构建实时性要求。实验结果表明,改进后Deeplab V3+在Pascal Voc2012数据集上对比原模型,维持分割精度同时大大提高分割速率。（3）基于视觉SLAM与图像语义分割模型,设计了语义地图构建方法。首先针对基于联合双边滤波算法（Joint Bilateral Filer,JBF）进行输入深度图像预处理效率较低问题,提出了基于阈值处理的JBF算法,优化深度图像处理速度。最后基于贝叶斯更新方法,融合Elastic Fusion算法与改进后Deeplab V3+模型,将轻量级Deeplab V3+网络对二维RGB图像分割后获得的语义信息动态融合进三维稠密地图中,完成语义标注的三维地图构建,实现视觉SLAM系统构建的三维稠密地图中所属物体包含物体类别等语义信息。在NYU V2数据集上进行实验验证,结果表明,本文方法可实现精确快速三维稠密语义地图构建。