环境感知和导航定位是机器人领域的基本问题之一。实时定位与建图(Simultaneous localization and mapping,SLAM)是机器人感知周围环境与获取自身位姿的重要手段。因为视觉传感器具有成本低、信息丰富等优点,所以被广泛应用于SLAM领域。视觉SLAM逐渐成为学术界的研究热点。目前,绝大多数视觉SLAM(Visual SLAM)系统只能在静态场景下正常工作。若图像中存在运动物体干扰,将影响机器人定位与建图的精度和鲁棒性。因此,本文研究动态环境下的定位与建图问题。在动态环境下,利用视觉信息实时估计相机自身的位姿,同时实时估计视野中运动物体的位姿,尽可能排除动态物体的干扰,提升定位与建图的精度和鲁棒性。本文主要研究工作归纳如下:第一,针对动态环境下相机位姿估计问题,本文提出了一种基于运动一致性的运动物体分割算法。该算法首先将当前帧图像与上一帧图像进行特征匹配,并计算特征点的运动向量。接下来,对特征点集进行三角剖分,创建特征点之间的连接关系。然后,根据特征点运动向量的一致性剔除不稳定的连接关系,将特征点集划分为运动点和静态点。最后,只采用静态点估计相机位姿。实验结果表明,本文提出的动态场景下的视觉里程计算法对运动物体具有较强的鲁棒性。第二,针对动态环境下的后端优化与回环检测问题,本文提出了基于局部地图一致性的运动点云分割方法和基于运动物体遮挡补偿的回环检测算法。运动点云分割方法,是根据一段时间内的观测结果,剔除观测结果不一致的点云。该方法有效减少了运动点云的干扰,提升了后端优化中相机位姿的精度。基于运动物体遮挡补偿的回环检测算法,是通过相邻关键帧的信息,对运动物体遮挡的区域进行特征补偿。该方法提升了动态环境下回环检测的精度和鲁棒性。实验证明,本文提出的动态环境下的视觉SLAM算法,在TUM RGBD数据集和双目数据集中,与ORBSLAM、DVO、SPWSLAM相比,对运动物体具有良好的抗干扰能力。第三,针对运动物体位姿估计的问题,本文提出了一种基于特征点的运动物体跟踪与位姿估计算法。本文将运动物体分割、相机位姿估计、运动物体位姿估计都融合到一个统一的视觉SLAM框架下。所以,该系统能够在无需先验信息的条件下,实时跟踪运动物体,并估计运动物体的位姿。