传统的视觉SLAM(Simultaneous localization and mapping)系统大多数只适用于小范围、静态的环境中,近年来,一些研究者也逐渐将研究方向投入到将SLAM系统与语义分割系统结合的课题。但是,这些研究方案大多数都无法实现在大范围环境的动态场景下获得较好的定位与地图构建性能,而且,视觉SLAM系统在运行时整体的准确性、实时性仍有待提高。本文提出了一种高效的可应用于轮式机器人的语义分割视觉SLAM系统。该系统可以使搭载RGB-D相机的轮式机器人在具有移动物体的未知空间中,经过计算得出实时位置并构建空间三维地图。系统通过语义分割识别出图像关键帧中的人、椅子和其他常见物体,对机器人所处环境进行一个初步分析,再融合RGB-D相机数据和编码器数据,在机器人传感器可探索到的环境中进行定位并建立了没有移动物体的稠密语义八叉树地图。此外,针对现有语义分割网络的不足:对相机实时移动过程中采集的图片进行语义分割处理时会有一些移动物体的语义分割不完整或不准确,本文结合图像处理算法、Sobel边缘提取算法和深度值数据构建约束,对无法完整语义分割的动态物体标签进行了修复,从而形成了一种增强语义分割算法。在本文提出的方案中,对图像关键帧进行的增强语义分割算法加快了对系统图像帧的处理速度,从而显著的提高了整体系统定位和建图的效率。另外,多传感器融合的算法与处理方式使得系统的定位准确性及实时处理性大大增强。本文在不同的真实环境和开源数据集上进行了实验,并且与DRE-SLAM、DSSLAM等方案进行了比较,对系统在各方面的效果进行了详细评估。最终结果表明了提出的系统在处理效率、系统鲁棒性和地图构建效果上均取得了令人满意的结果。