随着人工智能技术的蓬勃发展,即时定位与建图(Simultaneous Localization and Mapping,SLAM)已然成为了智能自主机器人当中的关键技术,同时在自动驾驶以及增强现实等方面也有广泛应用。静态环境是大多数视觉SLAM的前提条件,一定程度上限制了它的实际应用。当移动物体进入相机视野中,传统SLAM将无法进行准确地跟踪定位,同时移动物体在环境中的随机运动也会污染重建的全局点云,使其失去可视化意义。另一方面,传统的SLAM算法大多利用几何信息完成的,智能机器更需要从语义层面进行交互。深度学习的快速发展使得融入语义信息的SLAM成为了新的突破口。针对这些问题,本文对动态环境下结合深度学习的语义SLAM进行了详细研究,具体研究内容和工作点如下所述:(1)针对移动物体会对位姿解算造成干扰的问题,提出了结合语义信息的基于双重约束的动态匹配点检测算法。根据SLAM系统需求引入了能同时进行目标检测和语义分割的BlitzNet网络。通过多层多阈值的手段改善特征点提取,并利用四叉树管理特征点,保证特征点规模。在特征点匹配时,结合语义信息进行深度约束和区域划分的极线约束,以此对动静态匹配点进行分类,并在此基础之上完成动态目标的检测。实验表明室内动态场景下该算法能够有效地检测出动态匹配点和动态目标。(2)针对移动物体会对点云造成污染的问题,提出了动态环境下基于分类去噪和加权ICP的点云拼接算法。针对点云中残余孤立点利用滑动窗口以及直方图统计的方式去除,针对交互目标上残留噪声块使用了语义结合形态学处理。对ICP算法进行了改进,通过三重条件筛选完成点云控制点采样,降低了计算成本,同时在ICP迭代解算时加入权重,完成加权ICP的点云配准算法。通过与两种传统的配准算法进行对比,验证了加权ICP具有良好的配准效果与计算效率。最后完成动态环境下点云拼接工作,证明了算法的可行性。(3)改进了ORB-SLAM2算法以适应于动态环境。对ORB-SLAM2算法结构进行了解析,分析了ORB-SLAM2算法不足之处。将BlitzNet深度网络融入到SLAM系统中,结合双重约束动态点检测算法以及动态环境下点云拼接方案,完成对ORBSLAM2算法的改进。从定位和建图两方面对改进的算法进行评估,实验表明改进的ORB-SLAM2算法在动态环境下定位精度大幅提升,同时消除了点云中动态物体所产生的拖影,并为重建点云映射了简单语义信息,使其具有了可视化意义。