在移动机器人驾驶系统中,同时定位与建图（Simultaneous Localization and Mapping,SLAM）是非常重要的一部分。经典的SLAM系统对计算单元的性能要求较高,而且在传感器快速移动的过程,定位和建图都会产生漂移。虽然经典的SLAM系统已经逐步完善,在结构化环境中能达到较高的精度,但是在某些场景,例如无高性能计算机或者移动机器人在紧急探测和救援时,需要快速移动的情况下,传统的方法仍有需要改进的地方。本文主要对基于特征提取的3D激光SLAM算法进行深入研究,研究目的是保持移动机器人在快速移动过程中定位和建图的稳定性,在此基础上提高定位精度。主要研究内容和创新点如下:提出了一种边缘/地面特征的两阶段提取方法。点云特征提取是点云信息处理中最基础的一部分,由于3D激光雷达每帧数据量庞大且无规则,当前主流的方法主要是根据物体的表面粗糙度进行特征提取,无法快速且准确的提取到特征。针对这一问题,本文提出了一种边缘/地面特征的两阶段提取方法,该方法首先滤除点云噪声,然后进行地面分割,接着根据不同的约束条件对边缘/地面特征进行提取,在保证速度的同时从点云中获取更准确的特征。提出了一种基于特征提取的点云帧间联合匹配算法。激光点云的帧间匹配是建图和定位的基础,当前主流的帧间匹配算法大多针对结构化环境,且在位姿变换较大时,匹配算法的精度会降低甚至失效。针对这两个问题,本文利用粗匹配和精匹配结合的方式,提出了一种点云帧间联合匹配算法,通过不同场景中的对比试验,验证了当位姿变化过大时,该算法在匹配精度和鲁棒性方面的优势。设计了一种基于扫描上下文的两阶段分层重识别回环检测方法。经典的SLAM算法大多对计算单元的性能要求较高,且在传感器载体快速移动时,定位和建图会产生较大的漂移,很难建立起全局一致性地图。针对这个问题,本文利用扫描上下文的方法对3D点云进行降维,对降维后的点云进行描述符生成,同时结合轨迹点的搜索判断和帧间匹配误差得分的约束,进而实现基于扫描上下文的两阶段分层重识别回环检测算法。另外,本文在之前所述的特征提取算法和联合匹配算法的基础上,搭建了一种新的3D激光SLAM系统,并且在建立系统时引入了基于扫描上下文的两阶段分层重识别回环检测方法。在不同场景的实车实验中,本文所提算法表现出了更好的精度和性能。