当前智能机器人领域的研究热点之一是让移动机器人能够实现定位及建图,即时定位及建图（Simultaneous Localization and Mapping,SLAM）是解决此问题的一个关键技术。目前,以激光SLAM技术最为成熟及稳定,但传统的多线激光雷达价格昂贵,商用成本高昂,本课题采用成本较低的Livox固态激光雷达对三维激光SLAM问题进行研究,主要工作成果包括:（1）针对Livox固态激光雷达生成点云数量较多且有不可靠的噪点的问题,本文对点云的数据进行了预处理。首先对点云中入射角过小,反射强度变化较大以及被遮挡等瑕疵点进行剔除,这些瑕疵点置信度较低,会对点云配准精度产生影响。再对稠密的点云通过体素法进行下采样,在保留环境细节的同时,显著降低点云的数量,保证算法实时性。最后本文提出一种阈值分割算法,在下采样后点云的基础上对较远处的不可靠点进行剔除,同时分割出地面点云,进一步降低点云数量,提高算法实时性。为验证点云预处理算法的有效性,实验对比了稠密及稀疏两组点云分别在预处理前后利用ICP算法配准的时间和精度,结果表明预处理后点云较未预处理点云配准精度差别较小,但配准速度显著提升。（2）本文提出了一种针对Livox固态激光雷达点云数据的特征提取算法——球形区域特征直方图（Spherical Region Feature Histogram,SRFH）,SRFH特征提取算法综合周围点云,构建出球形区域,并在此球形区域内建立坐标系,在此坐标系下利用区域内点云方向及模长信息建立3d直方图,作为后续点云配准使用的特征。（3）在点云配准时,使用的基于迭代最近点（Iterative Closest Point,ICP）的点云配准算法对于初值的选择较为敏感,针对此问题,先使用基于SRFH特征的采样一致性初始配准（Sample Consensus Initial Alignment,SAC-IA）算法对点云进行粗配准,得到粗位姿,再利用此粗位姿作为ICP算法的初值进行迭代计算,得到精确位姿。通过实验对比稠密及稀疏两组点云分别基于SRFH特征配准算法及快速点特征直方图（Fast Point Feature Histograms,FPFH）特征配准算法的配准时间和精度,结果表明基于SRFH特征的配准算法虽然精度低于基于FPFH特征的配准算法,但速度高于该算法20倍以上,能满足实时性要求,验证了基于SRFH特征配准算法可行性。（4）针对地图计算中的累计误差问题,本文使用回环检测法进行优化。先从关键帧中提取线型及面型单元格并以此计算关键帧描述符,再通过关键帧描述符进行相似度检测,若相似度达到对应阈值,则检测到回环,最后基于检测的回环进行位姿图优化,以此消除累计误差,提高全局地图位姿精度。通过系统仿真,验证了使用低成本的Livox固态激光雷达于移动机器人上实现SLAM算法的可行性,且相较于使用昂贵多线激光雷达的LOAM算法,在建图精度上有一定优势。