随着AI技术的不断发展,以无人车、无人潜航器、无人机为代表的智能体成为学术界和工业界的研究热点。高效的语义SLAM系统是移动机器人在未知环境下进行自主定位、导航和人机交互等高级任务的基础。而三维语义地图的构建作为该系统的一项共性的核心技术,是当前的难点问题。特别是现有成熟的激光或者视觉SLAM系统还无法做到对环境中高维的语义信息的理解和应用。现有的语义SLAM系统的实现高度依赖强大的算力和不可解释的深度学习理论,并不适用于移动机器人的车载嵌入式计算平台。因此,本文在ORB-SLAM基础上,采用基于Yolov4改进的轻量化目标检测模块和融合2D候选框的三维语义地图构建方法,完成移动机器人轨迹估计的同时,构建更为准确的三维语义地图。其主要工作包含如下几个方面。首先,针对卷积神经网络的目标检测算法对计算平台的计算能力要求较高的问题,基于单阶段检测器Yolov4,重新设计了一种轻量化特征提取器网络,调整网络结构和相关超参数,并且融合元网络场景分类器,用于提高目标检测的实时性;结合公开数据集和实验环境数据集训练神经网络,得到满足实验要求的模型权重文件,基于此完成移动机器人环境语义信息提取;其次,针对基于Yolov4目标检测算法对计算能力要求高的问题,设计了一种元网络场景分类器和轻量化目标检测网络,对检测场景进行分类和关键帧的目标检测。并针对当前目标识别结果中候选框为轴对齐情况下,无法有效表征物体在图像中的角度和位姿信息,以及在此基础上进行三维点云的语义分割时造成较大误差的问题,提出了一种新的端到端的任意方向目标检测方法。该方法用于检测图像中大长宽比的目标,并融合2D目标检测候选框来分割三维点云,获得更准确的三维点云分割和数据关联的语义地图。最后,本文搭建了移动机器人三维语义地图构建的原型系统,来实现和验证本文所提的方法。结合公开数据集和实际实验数据,对本文所提的方法进行验证和分析,结果表明,本文所提方法以及在此基础上构建的原型系统,具备可行性和实用性。