近年来,随着硬件运算能力的飞速发展和人工智能相关理论的日益成熟,无人驾驶领域也得到了充分的关注。在无人驾驶系统中,自主定位能力极重要,其中的关键技术就是同步定位与建图算法。在载人及载货场景下的无人驾驶车辆中,通常使用激光雷达作为定位与建图的主要传感器。本文主要研究的是激光雷达和惯性测量设备在定位与建图任务中的应用,并特别关注系统在不同使用场景下的定位精度。本文构建了一个激光雷达和惯性测量设备紧耦合的定位与建图系统。为了减小地面点和运动物体对里程计的影响,增加了激光点云预处理步骤。之后,使用激光雷达和IMU（惯性测量单元）构造紧耦合优化框架,实时估计IMU状态,并使用IMU预积分值矫正激光雷达运动畸变。之后,在建图模块中选取关键帧,并使用时间连续的关键帧构成世界地图。最后,添加基于激光帧描述子和基于轨迹的回环检测模块,并在回环优化模块使用因子图优化。以下是本文的主要研究内容:1)特征点处理:本文使用射线法,分离出地面,不提取位于地面上的边缘特征点。同时,系统会拒绝运动物体上采集到特征点（如车辆行人等）。由于精确识别并并分割运动物体点云运算量太大,本文受到相关研究启发,认为小物体是运动物体的可能性更大。因此,对点云分割后,系统不接收小物体上的特征点。2)关键帧选取及回环检测:本文的全局点云地图是通过时间上连续的多个关键帧构成,关键帧选取标准是基于相邻帧之间的位姿差异。之后系统基于轨迹的历史关键帧帧,添加了回环检测模块。在回环检测模块中,本文讨论了两种检测方式:基于最近点搜索的和基于激光帧描述子的,并最终采用两种方式共同作用的回环结构。3)回环优化:当系统检测到回环候选帧后,使用ICP迭代的误差进行回环候选帧筛选。完成筛选后,计算回环点位姿误差,并利用因子图优化更新回环上所有的关键帧。最后,本文组建了搭载多种传感器的无人小车平台,测试了线下实际建图效果,并在开源数据集上进行测试。结果表明本文提出的SLAM框架在室内大角度运动和室外大场景匀速运动下,都取得了较好的定位结果。因此系统符合最初的目标:在不同使用场景下都具有较高的定位精度。