随着智能化理念在现代社会各领域中的不断加深与发展,无人驾驶和智能化工业机器人成为了目前的研究焦点之一。其中应用较为广泛的一种技术就是基于视觉的同时定位与建图（Simultaneous Localization and Mapping,SLAM）。由于目前大部分视觉SLAM算法都是假设在理想的静态环境下进行的,而现实生活中很少存在这种静态环境,因此如何使视觉SLAM算法在真实动态环境中有效地确定自身位置并感知环境就显得尤为重要。首先,本论文设计了一种基于卷积神经网络的语义分割网络模型（Fast deep convolutional neural network for semantic segmentation,FNet）。考虑目前大部分语义分割网络模型处理每帧图像时间较长,嵌入到视觉SLAM算法中实时性较差等问题,FNet在网络的编码器部分做轻量化处理,减少网络规模。同时在FNet的解码器部分引入加深特征的方法保证其分割精度。其次,提出了一种基于轻量化语义分割网络的视觉SLAM算法（Implement robust dynamic SLAM using a new semantic segmentation,IRD-SLAM）。由于ORB-SLAM2算法在动态环境下易受动态物体干扰导致定位精度较差,将FNet引入到视觉SLAM算法中分割动态物体,同时结合多视图几何方法共同将动态物体剔除,消除动态物体对位姿估计的影响。然后,设计了一种基于无监督学习方法的稠密点云地图构建算法。考虑构建的稠密点云地图没有对场景中物体信息进行分类,因此在原始的稠密点云地图中采用无监督学习方法,使稠密点云地图具有简单的语义信息。最后,利用移动机器人和Kinect2相机搭建移动平台,采集真实室内动态环境进行位姿估计与稠密点云地图构建的相关实验测试。结果表明,本文所设计的IRD-SLAM算法使得移动机器人在动态环境下的位姿估计精度得到显著提升,同时能够在真实的动态环境下准确构建带有语义信息的稠密点云地图。