基于视觉的同时定位与构图（Simultaneous Localization and Mapping,SLAM）可以为机器人等无人平台提供环境的三维结构信息、自身的位置以及语义信息,是机器人向智能化发展必不可少的关键核心技术。然而,现阶段的语义SLAM算法多基于深度学习等技术实现,存在实时性差、计算过于复杂的问题,很难真正应用于实际的机器人系统。为解决上述问题,本文针对室内场景,研究了机器人语义地图映射方法,具体内容如下:（1）提出了一种基于边缘特征的候选区域提取方法。首先利用BING算法定位图像中的候选物体区域,然后基于边缘增长进行图像分割,得到一系列闭合区域,最终根据候选区域与闭合轮廓的外接矩形交并比,实现了候选区域数量的大幅度缩减,为物体语义识别奠定了基础。（2）提出了针对特定任务的语义地图映射框架。该框架包括任务预训练和在线语义建图两个部分。预训练阶段,机器人在预设路径下得到待识别物体的小样本训练数据集,以及物体的HOG、HSV和长宽比三个特征。在线语义建图阶段,首先通过ORB-SLAM2算法进行几何建图;同时提取目标候选区域和HOG、HSV、长宽比特征,并通过最近邻分类方法完成目标检测,得到物体的语义标签;然后将语义标签映射到三维空间点云中,实现可视的语义表达;最后设计实验验证算法有效性。（3）设计并开发了基于Unity3D的SLAM虚拟仿真实验平台。利用Unity仿真实现了多种室内场景的虚拟仿真和虚拟机器人运行路径模拟,提出了基于虚拟室内仿真平台的SLAM数据集自动生成、虚拟相机标定和自动标注方法,并基于新建数据集对提出的特定任务语义地图映射方法进行了实验,验证了算法与数据集的有效性。