当前,汽车行业正向着无人驾驶时代迈进,而无人驾驶的实现依赖于智能车辆对周围环境的感知和对自身所处位置的精确定位。在GPS信号拒止环境中,视觉SLAM算法在辅助智能车辆精确定位方面显得至关重要。当前视觉SLAM算法在复杂交通环境下仍存在以下问题:一是在动态目标过多时,无法避免因动态特征参与位姿计算造成的定位精度下降和定位失效的问题;二是在光照强烈变化和车辆遮挡严重等原因造成的近处纹理缺失时,匹配成功的有效特征过少而导致定位失效的问题。针对上述问题,提出一种面向复杂动态交通场景的视觉SLAM算法,在剔除动态特征以避免动态目标干扰的同时,基于关键目标进行定位和跟踪以避免出现定位失效的情况,为智能车辆提供精确和稳定的定位信息。首先,提出一种面向包含较多动态目标场景的SLAM算法,以解决场景中动态目标的干扰问题。在通过带有多尺度通道注意力特征融合模块的YOLOv5s网络获取周围环境中的语义信息后,确定交通环境中的车辆和人等潜在运动目标。利用基于GCRANSAC算法的几何约束模块对潜在运动目标进行筛选后,确定最终的运动目标并剔除所有动态特征点。使用静态特征点完成相机的位姿求解和位姿优化,并根据静态区域占比完成关键帧的选取。其次,提出一种基于关键目标的视觉SLAM算法,以解决SLAM算法在近处纹理缺失场景的定位失效问题。通过目标检测网络检测出交通灯、路牌和交通标志等静止目标后,在静止目标中提取均匀化后的特征并筛选出关键目标。根据关键目标的语义信息和几何参数完成关键目标匹配之后,基于关键目标进行定位算法的初始化和位姿求解,并在局部地图中对关键目标和相机位姿联合优化。然后,融合上述两种算法,设计出一套完整的面向复杂动态交通环境的视觉SLAM算法。在正常跟踪时,对交通环境中的目标进行动静态区分,剔除动态特征点,避免动态目标的干扰。在跟踪失败时,基于关键目标进行定位和跟踪。最后,基于KITTI和Apollo Scape自动驾驶数据集进行实验测试。实验结果表明,本文算法在Apollo Scape和KITTI的五类复杂动态场景中的平均均方根误差相比Dyna SLAM分别下降55.7%和30.4%;在Apollo Scape数据集完整序列中的平均均方根误差相比ORB-SLAM3和Dyna SLAM分别下降17.4%和21.4%。在包含近处低纹理的场景和序列中,本文算法在避免出现定位失效的同时,保持了较高的定位精度,证明了本文算法在复杂动态交通环境中的有效性和鲁棒性。