同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术是机器人感知周边环境的关键技术,该技术依赖静态且稳定的特征点进行定位和建图。但传统的视觉SLAM技术仅依靠图像中的几何特征选取特征点,无法确定被选取的物体是否处于静止状态。因此,目前视觉SLAM技术较多地应用在室内等封闭且动态物体较少的环境中。为了能够将SLAM技术应用到街景等室外动态的场景中,本文提出了一种基于卷积神经网络的语义SLAM系统。该系统在ORB-SLAM2算法的基础上,利用卷积神经网络对图像进行语义分割,提取图像中物体的类别特征,进而结合光流法剔除在运动物体上采集的动态特征点,保证用于建图的特征点是静态且稳定的。研究的主要内容包括:首先,对经典的语义分割网络进行分析,提出语义分割的网络结构;其次,针对分割网络对街景数据集分割精度不高的问题,提出了一种使用深度门控提高分割效果的改进模型;再次,设计了一种将上述分割网络和光流法相结合,利用特征点所在位置的物体类别和运动状态,将动态特征点进行剔除的算法;最后,针对街景等室外开放场景地图尺寸较大,且传统点云地图存储效率不高的问题,融合了八叉树地图算法来压缩点云信息,实现动态环境下三维语义地图的存储和实时更新。本文分别在实际场景和数据集上对语义SLAM系统进行了评估和验证,实验结果表明:本文提出的语义SLAM系统能够在街景等室外复杂环境中构建出正确、可用的语义地图。同时,也证明了语义SLAM技术运用在室外复杂环境的可行性。