目前,自动驾驶作为计算机科学与汽车工业的交叉领域,拥有广阔的市场前景,迅速成为人工智能的热门领域之一。自动驾驶包含定位、感知、决策和导航等关键模块。而即时定位与建图（Simultaneous Localization and Mapping,SLAM）,能够有效的结合多种传感器的优势,对车辆位姿进行估计,对周围环境进行构建,为构建包含各种路况信息的高精度地图提供关键参照。因此,准确可靠的状态估计和地图构建是自动驾驶系统的重要组成部分。目前的主流方法只专注于静态场景任务中的几何特征配准方法。一方面,基于几何特征的配准十分容易受到动态物体的干扰,从而导致精度下降。另一方面,随着深度语义分割网络的发展,除了几何信息之外,我们可以方便的从点云中获取语义信息。语义特征可以用作几何特征的补充,可以提高里程计和回环检测的准确性。语义信息还可以过滤掉点云数据中动态物体,例如行人和车辆等等,这些动态物体会导致生成的地图中的出现残影或者基于地图的定位失败。通过上述分析,本文基于LIO-SAM框架的前端里程计和回环检测模块进行改进,本文的主要贡献如下:（1）本文优化了SPVNAS网络提供的语义信息,并将其与激光雷达前端里程计相结合。该算法在有大量运动物体的实验场景中,系统仍可以进行准确配准。（2）通过结合语义信息,本文提出了一种语义辅助的Scan Context方法,并使用语义ICP对其结果进行校验,将其应用为系统的回环检测策略。该算法使得系统在回环检测时更关注静态场景的匹配,可以纠正位姿累计误差并提升全局建图效果。（3）本文使用实验室的传感器,采集了多种场景下的吉林大学校园数据,并在经典的自动驾驶数据集KITTI和吉林大学校园数据上进行的了多组相关对照试验。实验结果表明,我们的方法优于纯几何方法,尤其是在动态场景下,具有良好的泛化能力。