伴随着无人机技术的快速发展,在智慧物流、灾后救援、安全监控等领域越来越多地出现了无人机的身影,对其定位精度提出了更高的要求。目前大多数工业无人机利用GPS技术进行导航,但是在某些复杂环境中,GPS信息并不可靠甚至无法获取,导致无人机定位失败。因此,精度和鲁棒性显著提升的SLAM系统成为无人机领域研究的一个热点。对于视觉SLAM系统,虽然理论框架在大多数方面已经建立得很好,但在大规模环境和存在显著外观变化的动态场景中自主感知仍是目前亟待解决的问题。本文针对动态场景下的SLAM问题进行研究,具体工作如下:（1）提出了基于深度特征的Super-Net卷积神经网络提取图像的深度特征。利用扩张卷积这种轻量级卷积层代替普通卷积,优化网络结构参数,使得网络以相同的计算成本,提供更大的感受野;采用共享编码以及分层计算的方式提取图像中的关键点,同时给出局部特征描述子和全局描述子,使得整合后的SLAM系统对图像的语义信息处理能力增强,在环境和视角变化的情况下位姿估计的绝对误差变小。（2）采用分层的思想,提出一种基于全局检索和群匹配的重定位方法。首先将卷积层提取的局部特征输入至Net VLAD层以获取描述特征分布的全局特征描述符,提取关键帧的轮廓以及形状信息等,对于动态目标物体能够粗略检索出图像特征的深度信息;将当前帧特征点与组中所有特征点进行匹配,执行全局检索以获得位置假设,检索到候选帧位置内的局部特征用于组匹配并根据共视关系进行分类,充当候选帧的精细检索。这种从粗略至精细的分层定位范式对环境和视角变化有更好的鲁棒性,能有效区分出图像的语义信息,减少后端优化工作量。（3）提出一种基于全局和局部特征的回环检测方法。加入DBo W3词袋模型,将全局描述子和局部聚类特征加入LCD中,加入几何约束关系,优化在线位姿估算。与预先训练的局部特征词汇表进行匹配来检测回环,建立了一种高可靠性的闭环检测方法,解决了DBo W2词袋模型因忽略特征点的空间关系易初始化失败等问题。（4）选择四旋翼无人机作为研究对象,设计出了一套室内自主巡检无人机系统。采用本文提出的SN-SLAM算法对无人机进行定位,利用Gazebo仿真平台模拟出室内复杂环境信息,以检测目标物体为导向,加入动态障碍物,利用路径规划和避障算法使其能够在设定的障碍物环境中做出合理的决策,进而在起点和目标点之间高效快速的探索出最优路径,搜索出室内目标信息并实时返回给地面站。经实验,本文提出的算法相比于ORB-SLAM2算法在室内真实仿真环境中有更好的鲁棒性。