近几年,随着人工智能的普及与发展,关于移动机器人的研究被越来越多的人所关注。其中,同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术能够帮助移动机器人解决自身的定位和建图问题,是实现机器人“认识世界”的关键性研究。视觉SLAM系统需要借助各种视觉传感器进行外部场景的信息读取,而深度相机具有同时采集深度图像和彩色图像的特点,十分有助于视觉SLAM系统的定位算法研究。因此,基于RGB-D相机的视觉SLAM算法成为了机器人导航的一个重点研究方向。然而,由于大量的视觉SLAM算法都是在静态场景的假设下进行的,而在现实环境中不可避免的会存在一些动态物体,当动态物体在图像中的比例较大时,基于RGB-D的视觉SLAM算法无法准确获取相机的位姿,构建的地图也不准确。所以,剔除场景中的动态物体对于视觉SLAM系统在现实场景中的应用具有很大的意义。针对基于特征点的视觉SLAM算法在动态场景的不足,本文利用图像特征点在空间中的位置信息,结合三角形相似原理,提出了一种改进的特征点匹配算法。通过特征点间的结构约束来进行动态点的区分,从而剔除图像中的动态信息。然后,将筛选后的静态特征点用于ICP算法计算相机的位姿估计。针对传统手工特征的回环检测算法在准确率、实时性上的不足,提出一种孪生卷积神经网络深度学习模型算法,利用双通道的卷积结构提取图像特征,以对比损失函数比较两张图像的相似度,计算模型参数。为了验证改进后视觉里程算法在动态场景的性能,本文使用TUM数据集中的动态场景图像进行实验验证,实验结果显示,改进后的算法能有效提升视觉里程计在动态场景下定位的精度;然后,在New College数据集上进行基于深度学习算法的回环检测测试,与传统手工特征算法相比,在计算效率和准确度方面有着显著的提升。