随着计算机视觉和无人机相关技术的迅速发展,构建智能无人机系统成为当前机器人研究领域的热点方向,而高效的语义SLAM(Simultaneously Localization And Mapping,即时定位与建图)是智能无人机系统实现在未知环境下进行自主定位、环境导航和智能搜索等高级任务的基础。但是现有语义SLAM的发展并不成熟,且其实现过于依赖对算力要求较高的深度学习理论,并不适用于存在一定载荷限制的多旋翼无人机。因此,本文在具有高准确性跟踪精度的RGBD-SLAM基础上,采用轻量化的目标检测模块和三维语义地图构建方法进行改进,设计基于RGBD的无人机语义SLAM原型系统,完成无人机轨迹估计的同时,构建环境三维语义地图。首先,选择RGBD相机作为无人机语义SLAM系统的唯一视觉传感器,并通过分析经典视觉SLAM的实现原理和优缺点,结合无人机应用平台,在ORB_SLAM框架的基础上融合高效的目标检测算法和三维目标分割方法,进行无人机轨迹估计的同时,感知环境物体语义信息,构建三维语义地图,并基于此提出了无人机语义SLAM原型系统的方案。其次,针对目前基于深度学习的目标检测算法对计算平台要求较高的问题,设计了一种基于YOLOv3-Tiny的轻量化目标检测网络,通过调整网络结构和相关超参数,结合公开数据集和特定实验环境对网络进行训练,得到满足实验要求的权重文件,并基于此完成对环境目标的语义信息提取,为语义SLAM系统打下基础。再次,针对当前基于几何约束的三维点云分割方法仅仅应用单一环境三维信息和缺乏物体级分割效果的情况,充分利用RGBD相机获取的彩色图像和深度信息,提出了一种基于GrabCut和VCCS(Voxel Cloud Connectivity Segmentation)的改进三维目标分割方法,实现环境目标分割,并将分割后的目标物体与语义信息进行关联,基于Octomap构建精准的三维语义地图。最后,本文搭建了基于上述工作的无人机语义SLAM系统原型,在公开数据集和特定实验环境条件下对本文设计的方法进行验证和分析。结果表明,本文设计的无人机语义SLAM原型系统不仅保证了前端视觉SLAM定位与跟踪的精度,而且融合了环境语义信息之后,能构建更详尽的三维语义地图,验证了系统可行性的同时,为无人机完成更多高级任务奠定良好的基础。