随着新兴的人工智能技术的发展,机器人不可避免地进入了智能化阶段。如何使机器人像人类一样感知、观察世界,一直都是计算机科学研究的话题。即时定位与地图构建(Simultaneous Localization And Mapping,SLAM),主要解决的是机器人中“我在哪?”、“我的周围是什么?”的问题,是机器人实现自主智能化的关键。近些年,基于深度学习的目标检测和语义分割的广泛研究与应用,获取非常精准的语义信息已经成为可能。将环境中的物体的语义信息结合到SLAM系统中,是当前SLAM最火热的研究方向之一,我们称之为语义SLAM。针对未来室内机器人对高级的语义信息的需求,本文的研究主要有两个方面:一是研究满足SLAM系统要求的目标检测算法,既需要满足SLAM系统的实时性,又能给SLAM系统提供精确的目标检测结果。二是如何将目标检测技术运用到视觉SLAM中,以提高系统的鲁棒性和运行速度。为此,本文从以下几个方面开展研究:(1)提出了一种基于Vary Block模块的深度学习改进目标检测算法。针对现今目标检测算法存在的问题,基于应用于SLAM系统的考虑,本文设计了一种弥补卷积操作而造成的信息丢失的改进的YOLOv3算法,在满足SLAM系统实时性要求的同时,还可以给SLAM提供精准的语义信息。(2)研究本文提出的改进的目标检测算法在SLAM前端视觉里程计中的应用。在基于特征点的视觉SLAM中,针对视觉里程计中的位姿估计和特征点匹配,本文提出了基于目标检测的位姿估计计算方法以及基于目标检测的特征点检测于匹配算法。本文利用物体的位置信息和语义信息的方法提高了SLAM系统的运行速度。(3)研究本文提出的改进的目标检测算法在SLAM闭环检测中的应用。设计了一种利用周围环境中的目标物体和它们之间的相对位置关系进行闭环检测的方法,并将其应用到传统视觉SLAM中。