针对传统视觉同时定位与地图构建（vSLAM）系统在动态场景中无法有效去除运动物体及缺少可用于更高层应用的语义地图等问题，提出了一种可有效去除动态物体并构建表征室内静态环境的语义八叉树地图的vSLAM系统方法。首先，使用Fast-SCNN作为语义分割网络提取图像的语义信息，同时，利用金字塔光流法对特征点进行跟踪匹配。然后，使用步进随机抽样一致算法（Multi-stage RANSAC）通过多次执行不同尺度的RANSAC流程对特征点进行步进采样，再利用对极几何约束并结合Fast-SCNN提取的语义信息进行视觉里程计动态特征点剔除。最后，通过体素滤波降低点云冗余后构建纯静态环境的语义八叉树地图。实验结果表明：所提方法在公用数据集TUM RGB-D的8个RGB-D高动态序列中测试的相机相对位移误差、相对旋转误差和全局轨迹误差相较于ORB-SLAM2系统有94%以上的提升，全局轨迹误差仅为0.1 m；相较于同类DS-SLAM系统，动点剔除总耗时有21%的缩减。建图性能方面，经体素滤波后构建的语义点云地图与语义八叉树地图分别占据9.6 MB、685 kB的存储空间，相较于17 MB的原始点云，语义八叉树地图仅占用其4%的存储空间并因含有语义可用于更高层次的智能交互任务。

针对传统视觉同时定位与地图构建(vSLAM)相机跟踪模块在动态环境中无法精确定位的问题,提出一种基于语义的视觉里程计。首先,在利用金字塔Lucas-Kanade 光流追踪匹配帧间特征点的同时,对图像进行像素级的语义分割。然后,将语义信息与几何特征紧密结合用以准确地剔除图像中的外点,使得位姿估计和建图仅依靠图像中值得信赖的静态特征点。最后,提出了一种多尺度的随机抽样一致(RANSAC)方案,对匹配点进行步进采样,每步使用不同的尺度因子,在降低外点检测时间的同时,提高了外点检测的鲁棒性。在TUM数据集上的实验结果表明,在高动态序列中,相比于ORB-SLAM2,本文方案的绝对轨迹误差和相对位姿误差改善了90%以上,而相比于同类型的DS-SLAM,本文方案在降低外点检测时间30%~40%的情况下,提升了位姿估计的鲁棒性。