同时定位与建图（SLAM）是移动机器人感知的关键技术,机器人通过搭载相机或激光雷达感知周围环境,对自身进行定位并构建出环境地图用于导航与路径规划。本课题主要针对室内动态场景中使用RGB-D相机作为感知系统的移动机器人,解决视觉SLAM算法在动态环境中定位精度低、特征点追踪稳定弱以及稠密建图等问题。首先,为判定图像中动态物体的位置,本文设计了基于极线约束与语义分割的动态物体检测算法。动态物体检测算法主要由动态特征点筛选和语义分割两个模块组成,为提高算法运行效率,采用双线程并行的程序设计,图像数据同时输入两个模块进行处理。动态特征点筛选模块通过LK光流追踪建立相邻图像帧的数据关联,使用极线约束筛选动态特征点,语义分割模块设计了一种轻量级语义分割网络,根据动态特征点比例判定动态物体。其次,为提高特征点追踪过程的稳定性,降低特征点提取与描述子计算的耗时,本文设计了基于特征优化的快速视觉定位算法。视觉SLAM系统的主要输入数据即为特征点,为提高特征点质量,避免使用弱纹理区域的低质量特征点,本文设计了特征优化算法提取高质量特征点。在降低耗时方面,本文使用CUDA并行计算架构设计了特征点提取与描述子计算的加速算法。特征点匹配后进行位姿求解,对重投影误差进行非线性优化获得高精度位姿。再次,为获得高质量的环境地图,本文设计了基于局部地图拼接的静态环境建图算法。考虑到RGB-D相机采集的深度图像存在受环境影响而出现孔洞的现象,本文根据孔洞领域像素的数值分布,设计了深度图像的修复与降噪算法。在环境地图构建方面,将动态物体从关键帧图像滤除,使用关键帧构建出单帧图像的点云地图并进行点云滤波。根据位姿关系将点云地图变换到世界坐标系进行拼接,同时将点云地图转换为可用于导航的八叉树地图。最后,为准确客观的验证本文算法的有效性,分别在标准数据集与实际环境对本文算法进行评估。评估过程中,选择TUM数据集的静态场景、低动态场景与高动态场景进行测试,在实际环境中设置直线运动与闭环运动的实验环节。通过对比实验,充分证实了本文算法在动态场景中定位与建图的有效性。