同时定位与建图(Simultaneous Localization and Mapping,SLAM)问题是机器人研究领域的基本问题和研究热点。其中数据关联和动态目标处理是SLAM技术在动态环境下应用的关键性问题,是SLAM技术应用于无人驾驶、家庭服务和增强现实等领域的重要前提。本文以Bumblebee相机和Turtleble移动底座为实验平台,围绕数据关联和动态目标处理展开研究,分别提出平面动态环境特征分类、非平面动态环境特征分类和动态环境地图初始化三种算法,并在三种算法基础上,融合纹理和区域约束算法提出动态环境下3D SLAM算法。具体研究内容如下:首先,针对平面动态环境下目标检测(不同速度、不同大小)问题提出平面动态环境特征分类算法。通过重投影误差算法实现特征点的初始分类,并基于属性不同提出纹理检测算法和区域约束算法,进一步筛选特征点并获取帧与帧变换关系。针对动态点和误匹配点混淆问题提出双层重投影误差法,采用单应性矩阵作为投影矩阵对分类点进行误差投影,根据特征属性不同实现不确定点的分离。通过实验验证了算法对于不同速度的动态目标都具有一定作用,并降低了大面积移动物体对目标检测的影响。其次,为了适应各种空间状态,在平面特征分类算法基础上提出非平面动态环境特征分类算法,并划分环境状态为四种模态分别进行特征分类,融合ORB-SLAM2初始化模块实现动态环境地图初始化工作。通过实验证明算法在动态环境下能够有效抑制动态特征对位姿估计的影响,快速准确的实现地图初始化。最后,将纹理约束和区域约束算法应用到ORB-SLAM2跟踪线程。在系统对相机和三维点进行位姿估计时提前完成特征分类工作,利用不同属性的特征点进行位姿的估计和三维点的构建。结合平面和非平面动态环境特征分类和动态环境地图初始化提出动态环境3D SLAM算法。通过实验研究验证了算法能够准确计算出相机位姿变化,构建出精确的稀疏三维地图。本文的研究工作可以为SLAM技术在动态环境下应用提供理论基础和方法,具有重要的理论价值和科学意义。