基于深度学习的飞速发展，语义信息逐渐成为SLAM（Simultaneous Location and Mapping）领域的研究热点。由于环境以及传感器本身带来的噪声问题，现有大多数语义SLAM算法所构建的语义地图中存在一些异常点，导致构建的语义地图缺乏一致性，并且影响算法精度。损失函数可以调整对异常点分配的权重，从而抑制异常点的存在。但是大多数语义SLAM算法使用的损失函数本身模型固定，不能很好地适应周围环境噪声的变化。为了解决此问题，提出了一种变结构的鲁棒语义SLAM算法，称为VS-SLAM。采用高斯混合相关熵权重函数作为损失函数，利用其可以通过调整参数，随周围环境噪声变化来改变其模型结构的特点，最大程度地拟合噪声的分布，更有利于降低算法对异常点的权重分配，提高对异常点的鲁棒性。在公开的KITTI数据集上的实验表明，比现有的先进方法有更高的精度。在建图的时间几乎相等的情况下，平均相对平移误差和旋转误差分别降低了5.36%和8.82%，并且构建的语义地图更加具有一致性。