随着国家对人工智能领域的重视程度加大,移动机器人技术在我国迎来重大的发展,在各个行业的应用也越来越广泛,例如送快递的无人配送车、街头巡逻的警用机器人和政务大厅里的智能服务机器人等等。随着社会发展的需要,人们对移动机器人的智能化要求也越来越高,要实现智能化,机器人自主定位是关键。基于视觉的同步定位与建图(Visual SLAM)技术可以帮助机器人在未知的环境下实现自主定位。经过几十年的发展,SLAM技术已经取得很大进步,定位精度也越来越高,但是目前比较成熟的SLAM算法大都是假设环境为静态的,即在静态环境下定位精度比较高,如果环境中出现运动的人或者移动的物体时,定位精度就会非常低。因此处理好环境中的动态对象成为提升移动机器人自主定位精度的关键。针对目前语义分割网络难以满足SLAM运行实时性要求的问题,本文设计了一种实时性较高的实例分割网络,在保证分割精度的同时,也满足SLAM系统的实时性要求。同时针对当前传统SLAM算法在动态场景下定位精度低和鲁棒性差问题,本文通过结合图像实例分割技术和多视图几何技术对现有经典ORB-SLAM2算法进行改进,增强其在动态环境下对运动目标的处理能力,提高算法的定位精度。本文的具体工作内容如下:首先针对当前大多数语义分割网络难以满足视觉SLAM系统实时性要求的问题,本文以YOLACT实例分割网络为基础,对其使用传统非极大值抑制(NMS)方法对重复目标检测框抑制耗时的问题进行优化,提出一种并行运行的NMS方法,相比传统串行运行方式,在保证YOLACT网络分割精度的同时,提高了其运行速度。最后在公开数据集上与当前流行的Mask R-CNN实例分割网络进行对比实验,结果表明本文提出的改进实例分割网络综合性能更优,实时性更好,符合SLAM对实时性的要求。其次针对环境中动态对象造成SLAM定位精度降低的问题,本文设计了一种融合实例分割技术和多视图几何的动态对象分割算法。通过结合光流法和多视图几何的方法对图像中的动态特征点进行跟踪与检测,然后将动态点检测结果与实例分割线程分割结果结合判断图像中的动态对象区域并对其进行分割。接着针对当前传统SLAM算法在动态场景中定位精度较低问题,本文提出一种基于动态对象分割的改进SLAM算法。本文选取当前比较经典的ORB-SLAM2算法作为基础框架进行改进,在视觉里程计部分融入本文设计的动态对象分割算法,实现对环境中动态目标的检测和分割任务,接着使用没有动态对象干扰的图像进行特征匹配和位姿估计,提高了算法在动态场景下的鲁棒性。最后使用公开数据集对本文提出的动态对象分割算法的有效性进行验证,并且对本文改进的ORB-SLAM2算法与改进前的算法进行位姿估计实验,结果表明本文提出的动态目标分割算法是有效的,同时本文提出的改进ORB-SLAM2算法相比改进前的算法在高动态环境和低动态环境下均可以取得更高的定位精度和更小的误差,在动态场景下具有较好的鲁棒性,同时也满足实时性要求。