同时定位与建图(simultaneously localization and mapping,简称SLAM)是实现移动机器人真正自主化的关键技术之一,近三十年来,这一研究领域一直备受关注。SLAM方法可以通过多种传感器提供的数据加以实现,在基于各种传感器的SLAM方法中,基于激光雷达的SLAM方法因其精度高、受光照条件影响小等优点而得到了广泛的应用。在使用激光雷达的量测信息(即点集数据)进行SLAM研究时,原始的点集数据通常被转化为其他的地图表现形式或模型。但基于现有地图表现形式的SLAM方法均存在缺陷或不足,它们或因地图分辨率的限制而无法获得更快的运行速度,或其地图表现形式本身无法胜任更高级的人机交互任务。由此,本文将研究目标确立为建立一种基于全新地图表达模型的激光雷达SLAM方法,我们希望这种新的方法能够在效率、精度、存储与计算消耗等方面超越现有的主流方法,也希望它能够提供稠密的建图结果,同时具有二维和三维之间的通用性。本文主要的工作与贡献如下:首先,通过对激光雷达SLAM研究现状的分析,本文认为基于已有的地图表现形式进行研究已很难有所突破。因此,本文首先提出了区域化高斯过程(Gaussian process,简称GP)地图重构算法,并由此得到了一种全新的地图表达模型—GP地图。GP地图是一种稠密的地图表示形式,它的地图结构介于原始点集地图和传统栅格化地图之间,可以充分反映环境的结构特征。同时GP地图具有存储消耗小、易于更新等优点。其次,在新的地图表现形式的基础之上,通过对有关SLAM基础概念方面问题的分析和探讨,本文进一步研究了新型地图表现形式下的位姿估计问题和地图更新问题。针对GP地图的结构特点,本文提出了迭代GP点配准算法以解决位姿估计问题;针对GP地图中地图元素的分布特性,本文提出了基于递归最小二乘的地图更新方法。两种方法都具有简洁而解析的表达形式。同时,迭代GP点配准算法也可以单独作为一种“帧到帧”的点集配准算法来使用。最后,本文将位姿估计方法与地图更新方法相结合,提出了一种以“帧到地图”(scan-to-map,简称St M)配准为核心理论框架的新型SLAM方法,并将其命名为GP-SLAM。同时,为验证本文所提出的St M配准拓展理论,也为使GP-SLAM能够应对更大尺度的环境,本文对已有的GP-SLAM进行拓展和改进,提出了基于图优化的GP-SLAM。论文中大量基于实测数据的实验结果表明,本文所提出的GP-SLAM在效率、精度、地图存储及计算消耗等方面均优于目前的主流算法,同时该方法具有二维和三维之间的通用性。