近年来,移动机器人被广泛用于救灾救援和工业服务等方向,传统的地图构建方法难以满足移动机器人对高层次任务的需求,提升移动机器人地图构建的语义信息使其更智能化势在必行。目前地图构建的方法倾向于处理静态问题,而在动态环境中存在精度低、实时性差的问题。因此,本文针对目前地图构建方法在动态环境下存在的不足,引入光流法和语义分割方法将动态干扰对象从SLAM系统中剔除,保证实时性的同时提高SLAM系统在动态环境中的定位精度,再结合八叉树方法,构建出便于存储和使用的栅格语义地图。本文的主要工作有:（1）根据相机模型的特点,对相机存在内参数和畸变参数的问题进行校正、标定。接着根据视觉SLAM系统建立起数学模型,并对视觉SLAM中四个关键组成环节进行深入分析。（2）引入光流法的概念,说明光流法处理动态对象的有效性。接着比较几种常见的特征提取算法,确定出合适的算法进行后续的实验,最终通过光流法实现了对动态对象的检测。（3）针对传统的ORB-SLAM2方法在剔除动态对象上存在的不足,本文提出了基于卷积神经网络的语义分割和光流融合的方法,设计出一种能够处理动态环境的视觉SLAM系统。基于改进后的ORB-SLAM2系统,使用公共数据集进行实验,与传统的ORB-SLAM2系统相比,改进后的方法在处理动态环境时具有更高的精度和鲁棒性。（4）针对视觉SLAM系统构建出的点云地图难以二次使用和开发的问题,提出利用八叉树的方法将点云地图转化成栅格地图。通过公共数据集和实际环境,分别构建出剔除动态对象前后的地图,并比较了Kinect V1和Kinect V2两种相机的地图构建效果。实验证明:Kinect V2相机在地图构建方面有更好的成像效果。