随着人工智能技术的飞速发展,智能移动机器人的使用领域愈来愈广泛。同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术作为一项协助智能机器人实现自主定位、导航的重要方法,受到了许多研究人员的重视。视觉里程计作为视觉SLAM的前端,对于机器人的定位和建图起着至关重要的作用。目前,大多数的视觉里程计算法在静态环境中使用效果较好,但是如果场景中存在动态的物体,就会影响系统的定位精度和建图效果,严重时甚至会出现导航失效的情况。因此,本文针对动态场景下的机器人定位和导航效果较差的问题,对视觉里程计和路径规划算法进行了改进。主要内容如下:（1）将目标检测算法与前景提取算法相结合,提出了一种实时物体分割算法。该算法利用深度信息,通过寻找最大类间差的方式找到最佳阈值,能够快速的将运动物体与背景进行分离,实时的得到物体轮廓,较为有效的检测出了动态物体。（2）将实时物体分割算法和运动判断策略应用于视觉里程计,提出了一种适用于动态场景的视觉里程计算法。该算法对传统视觉里程计进行了改进,通过添加动态物体检测线程,寻找可能存在的动态物体。然后对目标物体进行跟踪,根据运动判断策略判断目标物体是否运动。如果处于运动状态则根据掩码图像对动态特征点进行精准剔除,有效的保留了静态特征点。本文改进的算法降低了环境中的动态物体对视觉里程计的影响,提高了动态场景下视觉里程计的鲁棒性。（3）将和声搜索算法与人工势场法相结合,提出了一种动态路径规划算法。该算法通过对立学习和最优学习策略对传统和声搜索算法进行了优化,并对记忆库提取率进行了动态调整,有效的提升了和声搜索算法的搜索效率。然后将和声搜索结果作为人工势场法的局部目标点,通过人工势场法进行机器人的运动控制,保证了机器人的全局路径最优性和动态避障能力。（4）搭建软硬件平台,通过仿真实验表面,本文改进的视觉里程计算法相比于ORB-SLAM2的视觉里程计在动态环境下精度有较大提升。在真实场景中,本文算法能够有效剔除动态特征点,并且具有较好的动态避障性能。