同时定位与地图构建（SLAM）是移动机器人迈向智能化的主要技术之一,它赋予了机器人在未知环境中自主定位和构建地图的能力。目前大多数研究方法假定静态场景,忽略了场景中运动的物体对位姿估计的影响,不仅如此,场景中光线的变化会影响视觉特征的提取,进而降低回环检测的准确率。由于物体语义信息能够帮助机器人理解周围环境。因此,本文将目标检测网络与ORB-SLAM2算法相结合,围绕物体语义信息,针对室内场景,提出了语义SLAM系统,主要工作为以下三个方面。（1）针对动态物体对位姿估计造成干扰的问题,本文设计了一种去除图像中潜在动态物体的方法。该方法使用目标检测网络获取当前帧的语义信息,得到潜在可移动物体边界框,然后结合深度图像根据最大类间方差算法分割出边界框内前景,把落在前景中的动态特征点剔除,利用剩下的特征点估计位姿。相较于ORB-SLAM2本文提出的方法有更好的位姿估计性能。（2）针对基于手工特征的回环检测方法对遮挡、光照等环境比较敏感的问题,提出了一种基于语义边界框的回环检测方法。该方法使用位姿估计阶段获取的语义信息判断图像中是否存在潜在动态物体,如果不存在,就利用语义边界框构建图像特征,并与历史帧比较,查询相似关键帧,相比较于视觉词袋法,本文的方法查询速度快,内存占用少,具有较高的准确率。（3）针对在语义地图构建过程中语义信息获取的问题,本文利目标检测阶段获得的语义边界框信息,结合深度图像,提出了一种基于固定像素比的自适应阈值分割方法对前景物体进行分割,得到像素级别的语义信息。将分割出的前景区域结合帧间估计阶段取得的位姿信息,以彩色八叉树地图的形式映射到三维空间,得到语义地图。本文将目标检测网络引入ORB-SLAM2系统中,通过语义信息过滤掉动态特征点,构建语义特征提升回环检测准确率,同时构建了面向导航与智能任务的语义八叉树地图,对机器人迈向智能化有积极推动作用。