在无人驾驶汽车领域,车辆定位是其核心技术之一。基于全球导航卫星系统（Global Navigation Satellite System,GNSS）的定位技术和基于激光同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）的定位技术是当前无人驾驶汽车定位中不可或缺的两种技术。GNSS定位可以实现全天候定位,但存在由多路径效应和受遮挡引起的卫星信号差等问题,容易导致其在某些区域定位精度差甚至无法定位。而激光SLAM定位技术无须预先布置场景、对季节和光照变化具备较强的鲁棒性,但不可避免地存在漂移。针对以上问题以及考虑到单一的定位方式难以满足无人驾驶汽车在城市环境中定位的需求,本文提出一种基于GNSS与激光SLAM融合的LGR-LOAM定位算法,以提高无人驾驶汽车在城市环境中的定位精度。本文的主要工作内容如下:（1）提出一种基于点云聚类的动态物体滤除算法。城市环境中存在的大量动态物体会造成点云失真,从而导致位姿估计和地图构建精度降低,因此,需要对点云中的动态物体进行滤除。本文采用分段平面拟合方法对地面点云进行提取,采用改进的基于深度图的点云聚类算法对非地面点进行聚类,对聚类后的点云进行判别,将属于动态物体的点云簇滤除。（2）提出一种将GNSS定位与激光SLAM定位融合的定位方法。针对激光SLAM在运行过程中定位误差逐渐增大的问题,将GNSS定位信息引入激光SLAM系统中,提高系统的定位精度。其主要贡献包括实现了一种基于最小二乘法的在线外参实时标定算法,利用标定得到的外参将GNSS和激光SLAM两种定位信息统一至同一坐标系,分别构建激光里程计因子以及GNSS因子,采用因子图优化的方式实现两者的融合。（3）提出一种LGR-LOAM定位算法。针对城市环境存在大量动态物体以及由于累积误差导致无人驾驶汽车定位精度降低的问题,首先采用基于点云聚类的动态物体滤除算法滤除点云中的动态物体,提高前端里程计的定位精度。然后将GNSS定位信息在后端优化部分进行融合,并采用基于Scan Context描述子和欧式距离相结合的回环检测算法进行回环检测,提高了系统的定位精度。（4）通过实验验证本文所提算法的有效性。基于Urban Loco数据集对本文提出的基于点云聚类的动态物体滤除算法进行验证,实验结果表明采用本文动态物体滤除算法能够有效滤除点云中的动态物体,并有效提高了前端里程计的定位精度。基于KITTI数据集以及现实校园环境与市区环境对本文提出的LGR-LOAM算法进行实验验证,实验结果表明本文提出的LGR-LOAM算法相较于对比算法具备更高的定位精度。