近年来,随着计算机视觉及相关技术的飞速发展,基于视觉传感的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术也吸引了越来越多研究人员的关注。本文提出了一种基于单目视觉语义信息的同时定位与地图构建的方法,该方法可以用于解决室内场景中单目相机的定位及其工作环境的语义地图构建问题。为了在SLAM系统的前端部分获取单目相机所处环境的语义信息,本文提出了一种不依赖目标物体几何模型的三维目标检测算法。该算法首先基于目标物体的二维目标检测结果生成三维候选边界框,然后对三维候选边界框进行筛选从而得到三维目标检测结果。为了实现该筛选过程,本文提出了一种三维物体级的重投影误差的计算方法,并设计了与之相应的损失函数以备后续优化过程使用。此外,这种误差计算方法也被应用于解决数据关联问题。为了同时获得环境中的几何信息,本文在SLAM系统前端部分采用了特征点提取算法,该算法可以鲁棒地获得环境中大量边、角等低级几何元素信息。为了在SLAM系统的后端部分提升语义信息提取和单目相机定位的精度,本文在因子图优化框架下提出了一种对语义信息、几何信息和相机位姿的联合优化算法。该算法首先将语义信息在因子图优化框架下表示为三维目标检测框,然后将这种与表示对应的因子、顶点以及它们的关系添加到对传统几何信息和相机位姿的优化过程中进行联合优化。为了验证上述算法的有效性和实用性,本文利用慕尼黑工业大学的公开数据集分别对提出的三维目标检测算法和整体SLAM系统进行测试与验证,并与一些具有代表性的开源方案进行比较。实验结果表明,在不考虑优化环节的情况下,本文提出的三维目标检测算法相较于Cube SLAM方案对目标物体的位姿和尺寸有着更为准确的估计;此外,在加入优化环节后,本文提出的语义SLAM系统在freiburg3_teddy和freiburg2_dishes等场景的定位测试中,可获得比ORB SLAM2方案更高的定位精度(绝对轨迹误差)。