语义视觉SLAM（Simultaneous Localization and Mapping,同时定位和建图）对于智能移动机器人实现自然交互和特定任务具有重要意义。目前,语义视觉SLAM的研究主要集中在算法层次用深度学习方法替换部分功能模块,缺乏对系统硬件实现和实际应用的考虑。同时深度学习技术的引入需要GPU（Graphics Processing Unit,图形处理器）进行数据处理,这会给系统造成功耗高、体积大等问题。因此,需要更高效的计算架构和硬件平台来提高整体处理能效。考虑到FPGA（Field Programmable Gate Array,现场可编程逻辑门阵列）移植性强、高度并行等特点,论文提出基于以FPGA为计算核心的HERO平台（Heterogeneous Extensible Robot Open Platform,异构可扩展机器人平台）实现语义视觉SLAM系统的设计方案。该方案以典型语义视觉SLAM系统——DSSLAM（Semantic Visual SLAM towards Dynamic Environment,面向动态环境的语义视觉SLAM）为例,从语义分割网络的优化加速、系统集成、机器人部署进行相关研究,主要工作和创新点如下:（1）根据室内应用场景和FPGA硬件实现的需求,对DS-SLAM系统中语义分割线程的Seg Net网络进行优化。针对不同物体类别对Seg Net网络进行训练,得到适合系统的网络模型;通过批量归一化层和卷积层的合并,减少了前项推理的计算量;利用8bits线性量化的方法有效减少了网络参数量,GA（Global Accuracy,全局精度）、CA（Class Accuracy,类精度）、MIo U（Mean Intersection over Union,平均交并比）分别仅降低了0.817%、1.102%、1.56%。（2）在已有的语义分割网络硬件加速架构基础上,完成DS-SLAM系统中Seg Net网络的硬件实现。通过对并行化处理、流水线结构、内核执行和数据访存等方面的研究,提高系统的处理速度。在FPGA开发平台上实现了相较于传统CPU平台41倍能效的提升。（3）基于HERO平台设计了DS-SLAM系统集成方案,实现移动机器人Turtlebot2的部署和语义八叉树地图的创建。在数据集和实验室楼道场景的实验表明,该方案在保证DS-SLAM系统定位精度的基础上,能效方面相对于传统计算架构提高了50%。通过本文对语义视觉SLAM系统硬件加速技术的研究,系统摆脱了对高功耗计算平台的依赖,为移动机器人的定位和建图提供了高能效的解决方案。