随着自动驾驶技术的迅速发展,一个实时、鲁棒的基于同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术的自主定位系统对于智能车辆至关重要。然而在复杂环境下,单一传感器的SLAM系统难以鲁棒的运行,因此基于传感器融合的SLAM技术已成为目前的发展趋势。本文使用低成本的固态激光雷达与惯性测量单元（IMU）融合实现复杂环境下的无人车实时定位与地图构建。通过激光雷达数据预处理算法获得准确的激光点云数据,利用曲率和主成分分析法提取预处理点云中的特征点来建立相邻帧点云的约束关系,以扫描匹配的方式估计两帧点云的变换位姿并构建局部特征地图,通过滑动窗口优化算法将固态激光雷达与IMU的测量以紧耦合的方式融合,获得准确、实时和鲁棒的无人车定位信息。主要研究内容如下:首先,为降低激光雷达原始点云的数据量,采用体素滤波的方法对激光雷达原始点云降采样,在降低点云数据量的同时保留点云中的特征信息。为了降低动态目标点云对点云匹配的影响,采用地面分割和聚类的方法提取点云中的小目标点云信息,在后续的点云匹配过程中,不使用来自小目标点云的信息以降低动态目标对点云匹配的影响。其次,为构建相邻点云帧之间的约束关系,依据本文使用的固态激光雷达的非重复扫描特性,提出一种基于曲率和主成分分析法结合的点云特征提取算法。算法首先采用基于曲率的特征提取算法来提取每条激光线上的角特征点,然后使用主成分分析法对预处理点云进行分析,依据局部几何特性的判别条件来提取面、体特征点。提取点云特征后,将每帧特征点云与局部特征地图进行匹配,依据点到边缘线、点到面的距离来构建误差函数,通过优化方法求解非线性最小二乘问题获得点云的位姿变换。再次,为获得鲁棒、实时的无人车定位信息,采用基于关键帧的滑动窗口优化算法将固态激光雷达与IMU的测量以紧耦合的方式融合。算法采用边缘化将滑动窗口外的约束信息转化为先验因子,使用IMU预积分模型定义关键帧之间的IMU预积分因子,基于激光雷达里程计算法构建关键帧之间的激光雷达里程计因子,通过联合优化约束因子获得无人车实时的运动估计。最后,为验证本文提出算法的精度、实时性、鲁棒性,本文分别利用公开数据集和自搭建实验平台进行实验测试,验证了系统的精度和有效性,为基于低成本固态激光雷达与IMU融合的定位系统研究提供一定的参考价值。