视觉SLAM(Visual Simultaneous Localization and Mapping,VSLAM)是移动机器人领域的重要技术,使得移动机器人更具智能化。目前的视觉SLAM算法大多是基于静态环境实现的,如果场景中出现了动态物体,则会导致视觉SLAM系统不再稳定。针对室内动态场景中视觉SLAM系统不稳定的问题,本文使用弱监督语义分割与视觉SLAM系统结合的方式,通过剔除SLAM系统中的动态因素,提升视觉SLAM系统的准确性和鲁棒性,同时利用系统中的语义分割结果,生成静态的八叉树地图。本文使用ORB-SLAM2作为视觉SLAM系统的基本框架,对输入图像进行特征提取,并使用LK光流场判别动态特征点。同时将输入图像传入语义分割模块,分割出动态目标区域。然后结合LK光流检测结果与语义分割结果对动态特征点进行剔除,随后系统利用稳定的ORB特征点对移动机器人进行位姿估计,得到一个相对稳定的视觉SLAM系统。在视觉SLAM系统的语义分割部分,本文使用了弱监督语义分割方式,极大地减少了训练数据的标注成本。并且针对弱监督语义分割中,定位种子稀疏的问题,本文应用了显著性引导的自注意网络模块,该模块能引导神经网络产生密集且精准的高质量定位种子。为了进一步提升种子质量,本文还使用了自适应色彩均衡算法对输入图像进行预处理,增强图像的对比度,提高了弱监督语义分割的精度。在实验部分,分别在公共数据集和实验室环境中对本文的视觉SLAM系统进行验证,并与经典的ORB-SLAM2系统和DS-SLAM系统进行对比,展示了本文方法的有效性。