近年来随着人工智能的快速发展,机器人领域也逐渐融入到我们日常生活中,使我们的生活更加便利,其中移动机器人的发展离不开一项关键的技术:同时定位与地图构建(SLAM)。现有的SLAM技术大部分都是结合视觉来实现,当前视觉SLAM技术是基于一个重要的假设:机器人所处的环境是静态的。但是机器人运行所处的实际环境是动态的,这种动态环境可分为两种情况:一种是机器人运行环境中存在高动态物体,如行人、车辆等,由于环境变化时间较短,可称为短期动态环境,高动态物体的存在会影响机器人自身的定位算法;另一种是机器人运行环境发生光照、视角等变化,由于环境变化时间较长,可称为长期动态环境,环境中光照、视角的变化会影响机器人的回环检测算法。本文通过结合深度学习在处理图像上的优势,设计了一个能适应动态环境的视觉SLAM算法,采用目前主流的视觉SLAM框架,将系统分为三个部分:跟踪线程、建图线程、回环检测线程。在跟踪线程中,本文提取图像ORB特征点进行匹配,实现机器人运动中的位姿估计和优化。在建图线程中,本文将机器人感兴趣的特征点投影到地图中,构建与环境更加一致的地图。在回环检测线程中,本文通过判断图像相似度来检测机器人是否回到之前到过的地方,进一步消除累计误差。针对短期动态环境下的特点,本文在SLAM算法的跟踪线程中融合了基于Mobile Net V2框架的SSD目标检测算法,识别动态物体所在的区域,提出粒子滤波算法来对动态物体聚类跟踪,通过剔除影响定位的动态特征来提高机器人定位效果。实验结果表明,本文SLAM算法在静态场景下,定位精度与当前效果最好的SLAM一致甚至更好,在动态场景下对于定位误差有较大幅度的降低。针对长期动态环境下的特点,本文在SLAM算法的回环检测线程中融合了轻量级卷积神经网络HOG-NET,对图像提取HOG描述符并存入数据库,通过计算描述符之间的欧氏距离来进行位置识别和匹配,并设计了基于HOG-NET的回环检测优化算法。实验结果表明,本文的方法在检测回环的准确性和花费时间上比传统词袋模型表现更好,在数据集和实际场景上都具有更鲁棒的回环识别能力。