同步定位与建图（Simultaneous Localization and Mapping,SLAM）一直是移动机器人领域的研究热点。服务机器人在与环境的交互与感知中,需要记忆功能来完成认知任务,基于大脑空间认知模型的RatSLAM就有这一特点。RatSLAM可以像人类一样描述和记忆机器人经过的位置,使用场景的标志性特征,不需要高精度传感器,适用于长、宽范围的定位和导航。然而,RatSLAM的定位和绘图精度在复杂的环境中并不高,比如明显的光照变化、模糊的运动和无纹理的区域。同时,RatSLAM的认知地图是二维的拓扑地图,因此机器人无法从更高的语义层面理解周围的环境。本文基于RatSLAM算法,提出了基于大脑空间认知模型的语义拓扑地图构建方法,内容如下:首先,针对传统RatSLAM算法中绝对差总和（SAD）模板匹配算法精确度不高、对噪声敏感的缺点,提出了基于dhash算法和网格运动统计的ORB特征匹配RatSLAM算法。先运用差值哈希算法（dhash）得到当前图像和视图模板的哈希值并计算相应的汉明距离,若汉明距离小于设定的阈值,则进行下一步基于网格的运动统计特征匹配（GMS）。GMS特征算法兼备鲁棒性和实时性,可以进一步地提高模板匹配的精确度,从而更准确地修正位姿细胞的活性单元,获得更加精确的经验地图。实验表明,所提算法在保证实时性的同时,视图模板和经验地图的匹配精度高于传统RatSLAM方法,能够形成准确的闭环。其次,针对传统RatSLAM算法的纯视觉里程计在剧烈运动、弱纹理和光照变化明显等复杂环境中定位精度不高的问题,提出了视觉惯性传感器融合的RatSLAM算法。以机器人为中心的视觉惯性里程计（Robocentric visual-inertial odometry,R-VIO）,融合了相机和惯性测量单元（IMU）两种传感器信息,能估计相对于运动的局部参考系的更精确的相对运动,提高了机器人在复杂环境中的定位精度,确保了位姿细胞对机器人位姿估计的准确性,进而生成更加精确的经验地图。实验表明,在Eu Ro C数据集所有序列上所提算法的轨迹误差小于传统RatSLAM方法,在复杂环境下能够构建比传统RatSLAM方法更加精确的经验地图。最后,针对传统RatSLAM的经验地图只包含位置信息,无法从语义层面理解周围环境的问题,提出语义拓扑的RatSLAM算法。引入YOLO-V3目标检测网络,实时准确地获取物体的语义标签;由于Yolo-v3在视觉遮挡的情况下,无法提取语义标签的问题,进一步采用Yolo-v4网络提取被遮挡物体的语义标签,映射在拓扑节点中,生成语义拓扑地图。所提算法由于具有记忆功能,可根据视图模板和位姿细胞的关联,判断检测到的物体位置是否发生变动,拓扑节点随物体位置的变化而更新。为了验证所提算法的有效性,在Oxford＿newcolleage数据集和真实环境中进行了实验,实验表明,所提算法构建了融合语义信息的空间认知地图,并且建立的语义拓扑地图可以随着目标物体位置的变化而更新。