同时定位与建图（Simultaneous Localization and Mapping,SLAM）指的是机器人在未知环境中利用自身搭载的传感器,在运动过程中通过观察到的环境信息对自身位置和姿态进行定位,并同时构建周围环境的地图。SLAM在自动驾驶、避障导航、服务机器人等方面有着广泛的应用,是智能机器人应用的核心关键技术。目前视觉SLAM研究多数假定环境是静态的,使得SLAM算法无法处理复杂多变的动态场景,限制了SLAM在真实环境下的应用。本文提出了一种新颖的基于语义描述子的SLAM算法,结合知识图谱,能够有效处理动态场景下的SLAM问题。同时,在没有先验信息的情况下,本文对环境中的物体构建长方体模型,利用长方体模型进行位姿优化,并建立物体级语义地图。本文主要贡献如下:（1）提出了一种基于语义描述子的动态场景SLAM算法。首先,根据图像语义分割网络的分割结果,构建一种新型的语义描述子,用于描述关键点周围的语义信息;然后,运用知识图谱,构建环境中各实体之间的关系,与语义描述子结合获取高层次语义信息,以准确检测动态物体;最后,剔除检测到的动态物体,提高位姿估计准确性。（2）构建物体的长方体模型,结合语义描述子,联合优化长方体模型和位姿估计的准确性,并建立物体级别的语义地图。首先,利用一帧的图像信息以及初始位姿,结合语义分割网络,估计出该帧中所有检测到的物体的粗略长方体模型;然后通过最小化重投影误差和语义距离,对长方体模型及相机位姿进行联合优化,并随着相机的移动不断更新模型信息;最后,根据优化后的长方体模型建立物体级语义地图。（3）在TUM数据集上展开广泛的实验,对比ORB-SLAM2,在动态场景中位姿估计准确度大幅提升;与其他动态场景中的SLAM算法相比,本文算法在准确性和实时性上都具有较强竞争力。