随着移动机器人特别是智能机器人的发展,基于RGB-D数据的实时三维稠密地图构建与点云语义分割技术得到越来越多的关注。RGB-D SLAM算法为三维稠密地图构建提供了便利,基于深度学习的点云语义分割算法加深了机器人对环境的理解能力。本文研究了RGB-D SLAM中视觉里程计点云配准相关问题,引入基于点到面误差度量的改进点云配准算法,实现鲁棒性强的变换矩阵估计,再结合闭环检测、全局位姿图优化与全局地图融合进行三维稠密地图的构建,最后研究了一种基于注意力权重的改进点云语义分割算法,实现了较为准确的点云语义分割结果。本文具体的研究内容如下:1.介绍了RGB-D数据采集设备的系统组成与深度测量原理,分析了该设备的成像模型,采用棋盘格靶标完成设备标定实验,得到彩色相机与深度相机的内参及相对位置关系,标定重投影误差较小。进行室内场景点云生成实验,获得彩色三维点云。2.研究了三维稠密点云地图构建相关算法。在视觉SLAM系统框架基础上,提出一种基于点到面误差度量的改进点云配准ICP算法,通过对点云匹配关系和最优化点到面误差度量算法进行改进与完善,实现了鲁棒、准确、快速的点云配准。在此基础上研究了三维稠密点云地图构建算法,采用闭环检测和全局位姿图优化降低累积误差,提高系统的整体精度,再经过全局地图融合,构建精度较高的三维稠密点云地图。3.研究了一种基于注意力权重的改进点云语义分割算法。在Point Conv模型基础上,提出基于注意力权重的改进算法,将不同邻近点的相对空间坐标与其特征相结合作为输入,计算新的权重函数,达到动态分配注意权重的目的,实验结果表明本文提出的改进Point Conv模型有着更高的点云语义分割准确性,可以顺利完成点云地图语义标注的工作。