同步定位与建图（Simultaneous Localization and Mapping,SLAM）通过自身所携带的传感器获取环境信息来联合估计机器人的运动和周围环境的地图,大多数的SLAM系统假定机器人运行在静态的环境,然而机器人实际运行的场景中含有大量运动物体,这将严重影响系统定位的精度甚至造成系统定位的失败。针对上述问题,本文提出了室外动态场景下双目视觉语义SLAM方法。具体内容如下:首先,针对动态特征点影响系统的定位精度的问题,提出了利用图像语义分割信息剔除动态点的方法。使用卷积神经网络对图像进行分割,获取像素点的类别信息,以此定义特征点动态属性并剔除动态特征点,使用静态特征点进行匹配,并在特征点匹配过程中增加语义属性的匹配,从而恢复相对准确的相机位姿。实验结果证明,算法有效的减少了动态物体的影响,提高了系统的定位精度。其次,针对仅利用图像语义信息不能判断同类物体当前的运动状态问题,提出了结合语义信息和稀疏场景流的动态物体剔除算法。使用SegNet网络获取语义信息同时判断特征点当前运动状态,基于恒速运动模型估计相机位姿并恢复特征点空间位置,计算空间点速度并结合语义信息进行特征点选择。为解决计算特征点速度时系统存在的噪声干扰,设计均值滤波窗口来滤除噪点。实验结果表明,使用场景流和语义信息结合,系统既能消除运动物体对定位的影响,又能恢复出语义信息误剔除的特征点,提高系统的定位精度。最后,针对动态点误剔除或剔除不完全问题,提出了基于长期观测地图点的动态空间点的筛选方法,并构建了语义地图。在消除动态物体影响方面,记录空间点在连续帧中出现次数,以优化次数作为该特征点稳定性依据,随观测次数的增多逐步增加潜在动态点的置信度并参与优化,提高系统的定位精度。在构建语义地图方面,在语义信息方面除获取语义分割图像外,记录了每个像素点不同类别的概率用以构建语义地图,使用贝叶斯更新地图点,随着观测的语义属性的变化,最终以最大的概率类别确定空间地图点的语义信息。实验结果证明,所提算法能够很好的区分动态点和静态点,并提高系统的定位的精度,最后实现大规模环境的语义地图构建。