同时定位与建图（Simultaneous Localizationand Mapping,SLAM）技术是移动机器人应用中的一项核心技术。三维激光SLAM算法的任务是实现搭载三维激光雷达的移动机器人在运动过程中完成自身位姿的估计,同时构建出周围的环境地图。这一技术是实现移动机器人自主定位导航的重要基础。针对目前三维激光SLAM算法存在定位精度不高以及在中长距离下累计误差较大等问题,主要通过融合辅助传感器以及优化前端里程计算法加以解决。本文的主要内容包括以下几个方面:（1）针对激光点云数据存在运动畸变导致算法定位精度下降的问题,提出融合RTK（Real Time Kinematic）传感器数据对运动畸变进行补偿,基于匀速运动模型的假设完成对点云数据的校正。通过实验验证发现,补偿点云畸变可以有效提高算法的定位精度,降低轨迹误差,改善建图质量。（2）针对三维激光SLAM算法在中长距离下激光里程计漂移过大导致后端回环检测失败的问题,采用scan-to-map的匹配策略,将当前的激光帧数据与构建的局部地图相匹配,并在检测到新的关键帧后对局部地图进行更新;在此基础上,利用扩展卡尔曼滤波（Extended Kalman Filter,EKF）对 IMU（Inertial Measurement Unit）和RTK传感器数据进行融合,提供一个较为准确的匹配初值,进一步提高匹配结果的精确性。通过实验验证发现,优化后的算法可以提高激光里程计的定位精度,降低累计误差,在构成回环处可以成功检测到回环。（3）针对算法后端回环检测模块处理方法过于复杂导致算法运行开支较大的问题,提出降低数据处理规模,减小计算量的方法;在此基础上,对回环匹配方式进行优化,通过构建局部地图保证匹配结果精度,减少回环匹配次数。通过实验验证发现,该方法可以明显降低算法运行耗时,并且不会造成算法定位精度下降。（4）搭建实验所需数据采集平台和数据处理软件平台,在不同场景数据集下对整体改进算法进行综合实验。实验结果证明了本文所提出算法的正确性和实用性,算法局部的改进对最终结果的误差校正具有叠加效果。在本文最后对算法存在的不足及改进方向进行阐述。