近年来,随着移动机器人行业的不断发展,而同时定位和地图构建（SLAM）作为移动机器人的核心技术,被广泛应用于工业、医疗、服务等领域。现阶段多数的SLAM系统是在纹理丰富和静态环境的假设下提出的,然而,在实际环境中难以避免地存在运动物体。本文针对动态物体引起错误的数据关联,进而导致建图精度严重下降的问题,给出了融合Seg Net网络的语义动态补全算法,并在此基础上给出一种动态环境下新型RGB-D SLAM算法。具体研究内容如下。首先,为了解决动态环境下语义网络漏检的问题,本文给出了融合Seg Net网络的语义动态补全算法。采用Seg Net网络对输入图像进行语义分割,获取图像的语义信息,将潜在动态物体当作动态物体进行处理。并利用边缘检测算法提取出动态物体的边缘轮廓,以深度信息作为判定基准,将Seg Net网络丢失的部分语义动态物体进行补全。根据补全后的图像语义状态,采用相邻语义判定获得最终的图像语义信息。其次,为了提高动态环境下位姿估计精度,本文给出了融合稠密直接法的视觉SLAM算法。稠密直接法中,为了获得更加精准的位姿估计,在Seg Net网络获得的语义分割结果的基础上,利用几何误差和语义误差作为最小能量函数,在能量函数中加入柯西核函数,减少误差中异常的二次项影响,并且结合动态区域剔除,空间平面一致性和深度信息筛选获得每个像素点的动态耦合分数值,实现不同类别的分类处理,进而完成相机姿态的初始化估计。在相机姿态的基础上,采用空间数据关联算法获得相机姿态的置信度,即利用3D地图点集与当前帧共视性检测完成对相机位姿的置信度评估,进而判定是否采用特征点法对相机位姿进行优化。然后,在特征点法中,本文将语义动态物体区域的特征点进行移除,并且将剩余的特征点作为静态特征点。为了进一步减少特征点的错误匹配,采用几何极线约束和RANSAC算法移除部分静态匹配点,并且将稠密直接法得到的相机姿态作为初始位姿,利用Levenberg-Marq Uardt方法求解以静态匹配点重投影误差为基础的最小二乘问题,以获得更加准确的相机姿态。但是当特征点遇到低纹理区域时,传统的固定模式追踪和追踪关键帧的方式并不能获得有效地相机的准确姿态,甚至视觉里程计会追踪失败,进而导致视觉SLAM崩溃,因此,这里加入了光流追踪,采用LK光流法追踪当前图像帧提取出的特征点,一方面减少动态物体的影响,另一方面提高系统的鲁棒性。最后,在相机姿态和地图点的基础上,本文构建静态环境下的八叉树地图。其中,在八叉树地图构建时,本文将二维潜在语义动态区域映射到三维空间中,进一步移除动态物体,实现从平面到空间的动态区域剔除,到静态地图在动态环境下的构建。最后在仿真平台的基础上,本文将当前算法与传统的结合动态处理的视觉SLAM框架在TUM数据集上做对比,本文算法能够有效提高RGB-D SLAM算法在高动态环境中的定位精度。