对于移动机器人来说,精确的定位与对位置环境的感知是正常工作的基础,而同步定位与地图构建技术（Simultaneous Localization and Mapping,SLAM）可以很好的解决该问题。本文针对移动机器人场景中经常出现的机器人定位与感知受环境影响的问题,设计了一种高实时性的语义分割算法,并将该语义分割算法与ORB（Oriented FAST and Rotated BRIEF）特征提取算法相结合,提出了一种基于语义分割网络的SegORB（Segmentation Oriented FAST and Rotated BRIEF）算法,通过在仿生SLAM的回环检测过程应用该算法,改善了SLAM系统鲁棒性。文章的主要工作如下:1.本文简要分析了SLAM系统所完成的工作和生物自主导航行为的一致性,在对仿生SLAM系统研究现状的分析基础上,选择了受认知和神经科学启发的RatSLAM作为本文的研究算法。2.通过对RatSLAM系统算法框架和系统的特点进行分析,根据RatSLAM系统受环境变化影响大的问题,提出在回环检测模块引入基于改进的语义分割网络的SegORB特征提取匹配算法。3.基于MobileNet v3为骨干网络,设计了一个整体架构为编码器-解码器,带有相邻信息的DASPP（Deeper Atrous Spatial Pyramid Pooling）结构和残差连接的高实时性语义分割网络LNet,在单个RTX 2080 GPU上测试,LNet模型在Cityscapes数据集中以每秒124.8帧的速度达到68.9%m Io U的分割精度。4.使用LNet所分割出的图片作为SegORB算法输入,加入语义约束和动态物体剔除算法,减少使用SegORB算法进行图片匹配时特征点的误匹配率并提升匹配速度。在RatSLAM系统中引入使用SegORB算法的回环检测模块,通过移动机器人平台采集实际图像数据后由上位机进行Matlab对比仿真实验,发现移动机器人引入回环检测模块后,可以在经过相同地点时可以正确进行回环检测,并根据行走轨迹正确绘制经历地图,与传统RatSLAM系统相比,改进后的RatSLAM系统建图准确性得到了明显改善。