随着服务机器人、无人驾驶的不断推广,同步定位与建图（Simultaneous Localization and Mapping,SLAM）成为近年来最热门的研究方向之一。本文针对复杂动态场景下的视觉SLAM定位效果差、地图质量低等问题开展研究,设计了一个能够剔除运动物体干扰、支持稠密语义建图的RGB-D SLAM系统。本文提出一种动态场景下的特征点选择算法,包括基于对极几何和语义分割的动态特征点检测和基于信息论和语义分割的稳定特征点筛选。通过光流和极线约束得到候选动态特征点并使用语义类别和分类熵加以检验,解决动态特征点检测过程中的漏检、误识别以及极端条件下几何约束失效等问题,提高相机位姿估计精度。接着通过计算特征点与相机位姿的互信息并引入分类熵来衡量特征点的稳定程度,在创建关键帧时保留使位姿具有较大熵减、同时分类熵较小的特征点,改良局部地图以进一步提高位姿估计精度,同时缩减地图规模,提高地图用于长期定位的能力。本文改进八叉树地图并在此基础上设计了一种稠密语义建图方法。加入子图机制,以较少子图的融合代替大量关键帧的重组,加速地图重建。同时加入全局优化机制,以子图的初始帧作为子图参与全局优化的代表,子图融合时根据回环优化后的初始帧位姿将子图转换到全局SLAM坐标系下,确保完整地图与真实环境具有高度一致性。为扩展地图的语义图层,在由深度图生成点云的过程中引入像素的语义类别,剔除动态体素栅格并传递语义类别。最后基于语义类别命中次数的更新策略,实现同一栅格中不同语义观测的归纳。通过动态特征点检测、相机位姿估计、稠密地图构建等实验,本文全面评估了所设计SLAM系统的性能。实验选取RGB-D数据集中运动物体数目不一的若干序列,将运行结果与经典视觉SLAM开源方案进行对比,结果证明本文设计的特征点选择算法能够出色应对各种复杂动态场景,在高动态场景下有90%左右的位姿估计精度提升。实验结果同样证明,本文设计的稠密语义建图方法适用于动态场景,地图的信息量较特征点地图更为丰富,较原来的八叉树地图在重建时间效率上有平均80%的提升。