移动机器人作为工业4.0、智能化现代城市建设中的重要成员,在移动机器人智能化技术中同步定位与地图构建(Simultaneous Localization and Mapping,以下简称SLAM)解决智能机器人中的“我在哪”的问题,通过智能机器人在运行中观测环境,记录下特征信息进行自身定位并构建增量地图。得益于视觉传感器体积小、感知范围大的独特优势,视觉SLAM最近几年成为SLAM领域的研究热点。传统的视觉SLAM假设算法运行过程中环境的场景信息不会发生变化,通过提取场景信息特征构建多视图几何问题,求解出当前视觉传感器自身位姿。在实际应用中,由于场景中的物体与光照是会随着时间变化,导致求解出的自身位姿无法获得真实的解从而无法准确估计自身位置。本文主要研究存在光照变化和移动物体的动态环境中的视觉SLAM算法,本文的主要研究成果包括:1)针对光照变化引起的图像轮廓变化设计图像预处理算法,针对图像过亮、过暗等情况进行图像增强,通过实验分析该算法对视觉SLAM特征提取与匹配、回环检测模块有改善效果。2)分析目前主流深度学习目标检测算法,通过分析不同算法检测流程以及检测速度,确定适合于实时检测的深度学习目标检测算法Yolov3,并针对Yolov3在对连续时间内拍摄的图像进行目标检测时存在漏检现象,提出滑动窗口修正异常帧算法,经过该算法修正后基本不存在漏检现象。3)结合深度学习目标检测算法Yolov3与视觉SLAM算法ORB-SLAM2,提出一种基于目标检测的动态环境视觉SLAM算法,该算法通过Yolov3确定动态目标,首先视觉前端通过在特征提取时剔除动态目标区域的特征信息获得初步的位姿,并通过局部建图线程、回环线程降低动态目标对整个视觉SLAM系统的影响,最后通过关键帧的深度图与彩色图建立三维点云地图,实验表明,该算法对比ORB-SLAM2算法在公共数据集上和动态环境中具有较好的定位精度和地图重构精度。