随着科学技术的进步与发展,移动机器人等行业应用领域也越来越宽泛。在复杂任务场景中,移动机器人可以完成复杂的路径规划与环境探索,同时也大大降低了人力成本的消耗。伴随着新冠肺炎的爆发,更需要减少人与人的密切接触,因此移动机器人在人们的日常生活中可以发挥巨大的作用。移动机器人需要在未知环境下构建地图和能在构建的地图获得自己的相对位置,因此同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是实现移动机器人自主运动的核心技术。SLAM技术对机器人的定位信息和构建的环境地图,使得机器人的后续更好的进行动作决策与路径规划。由于大部分SLAM的技术是基于环境为静态这一假设,但实际的环境是动态的,造成移动机器人在复杂的动态场景下定位精度低,地图构建出现很大的误差与噪声,因此动态复杂场景极大的限制了SLAM技术在移动机器人上的应用。为了使SLAM技术适应各种复杂的动态场景,本文主要研究内容是提高移动机器人在动态复杂场景定位与建图精度,使其在复杂动态场景中平稳运行。本文的主要工作如下:1)本文研究了一些基础视觉惯性SLAM模型,对视觉测量模型、惯性测量模型以及视觉与惯性传感器信息融合过程进行了详细介绍与推导,并且介绍了本文视觉惯性SLAM系统的基础框架。对于视觉里程计中传统ORB特征点提取不均匀和簇集现象进行了改进,使用LK光流法对特征点进行跟踪,并且针对特征点匹配出现的误匹配现象,使用特征匹配优化算法对误匹配进行剔除,进而使前后两帧特征点匹配更加准确。2)考虑到视觉惯性SLAM算法在动态场景运行时,在视觉测量前端会提取到大量的动态特征,并且在动态环境下的定位精度较差。本文改进了视觉惯性系统的初始化和特征提取算法,通过基于几何约束与语义信息的动态特征点滤除算法,进而消除动态对象对视觉惯性SLAM系统的定位精度影响。通过实验与结果分析,可以证明本文改进的SLAM算法在动态环境下运行能有效的滤除动态特征点,并且提高SLAM在动态场景下的定位精度。3)本文对视觉惯性SLAM系统初始化进行了介绍,在视觉惯性初始化后使用非线性紧耦合联合优化,并介绍了后端回环检测方法和闭合约束。对于动态环境对视觉惯性SLAM系统运行的干扰问题,本文在视觉惯性SLAM系统的后端优化中,提出使用一个自适应因子来调整和优化视觉信息与惯性信息的占比权重。改进后的算法有效的提升了视觉惯性SLAM系统在动态场景下运行时的鲁棒性。4)本文在基于Ubuntu16.04系统下,使用TUM-VI视觉惯性数据集中的静态场景和动态场景对本文的算法进行了测试与分析。首先验证了本文提出特征均匀提取算法的有效性和在数据集上使用本文特征匹配优化算法对特征点进行匹配性能测试,然后滤除了视觉测量前端在动态场景下提取到的动态特征点,最后在相同的实验设备与条件下与VINS-MONO算法进行对比分析,实验结果证明本文算法能平稳在动态场景下运行,有效提升了视觉惯性SLAM系统的鲁棒性,本文算法定位精度不仅静态环境中比VINS-Mono算法好,而且在动态环境中本文算法定位精度也优于VINS-MONO算法。