深度学习与SLAM技术是如今计算机视觉领域中的两个重要研究方向。深度学习中的卷积神经网络通过模仿生物大脑与视觉机制,可以实现对图像的语义理解;SLAM技术通过相机原理与数学原理来实现对机器人、无人机等相机载体设备的路径跟踪与导航,并且可对所处场景的地图进行点云化绘制。随着信息技术,硬件性能的不断提升,深度学习与SLAM技术的应用也越来越广泛,而本文也是从这两者出发,研究如何对其进行融合,使之可以互相促进。本文从对深度学习与SLAM的理论研究到对两者的融合进行了系统的介绍,将基于语义分割的路径优化以及语义点云构建结合为一个简易的语义SLAM系统,解决了 SLAM在动态场景下精度不佳以及所构建的点云地图不可理解的问题。主要工作如下:研究了基于深度学习的图像语义分割方法,对卷积神经网络的原理,以及现有的语义分割网络结构,损失函数进行了详细叙述。并在此基础上创新地提出了一种结合像素损失与掩膜损失的联合分割损失函数以及一种可以提升感受野的多尺度语义分割卷积神经网络。研究了基于立体视觉的相机定位方法,详细的说明了相机的成像模型与运动模型,并介绍了求解相机位姿的方法以及如何对相机运动路径的进行估计。研究了特征点的匹配与筛选方法,创新之处在于提出一种基于语义分割的动态场景降扰方法,其可以有效的减小动态环境对于位姿估计的扰动,提升了相机在动态场景下进行定位跟踪与地图构建的准确性。研究了基于语义分割的语义点云构建方法,通过结合图像的语义掩膜来对相机运动所处的空间建立语义点云地图,从而达到点云识别的目的,为机器理解场景并与之互动提供了前提条件。