近年来,随着新能源汽车及人工智能的进一步发展,自动驾驶渐渐走进现实生活中。在城市地下车库场景下,实现记忆泊车或代客泊车需要车辆准确的定位信息。传统的车辆定位主要依靠搭载的组合导航系统（Integrated Navigation System,INS）实现,然而在地下封闭场景,全球卫星导航系统（Global Navigation Satellite System,GNSS）的信号缺失以及惯性测量单元（Inertial Measurement Unit,IMU）长时间行驶的累积定位误差导致车辆定位结果稳定性及精度较差。而依靠先验地图的定位方式,特别是具有高精度和稳定性的点云地图,可以很好的解决封闭场景下车辆的准确定位问题。基于以上分析,本文主要研究基于Li DAR与IMU融合的点云地图构建算法,以及基于先验点云地图的车辆定位算法。具体研究内容如下:（1）针对激光雷达及IMU,完成数据的预处理工作,分析了激光雷达的数据特点及IMU的数学模型,并基于此完成激光雷达和IMU的时间同步。基于手眼标定原理实现激光雷达和IMU的在线外参标定。借助时间同步、标定后的IMU数据对激光雷达的点云数据进行运动畸变补偿。（2）研究了SLAM数学模型、位姿图优化、增量平滑原理。实现了地下车库激光里程计的构建。针对LOAM框架缺少回环检测的问题,设计了基于Scan Context融合历史帧策略的回环检测算法提升建图精度。设计了IMU预积分约束,提升建图的稳定性。最终构建了一种基于图优化的激光雷达和IMU紧耦合SLAM框架。（3）针对先验地图的初始定位问题,设计了一种基于特征描述和采样一致的全局位姿初始化算法。在推导车辆恒定转弯速率和速度运动模型的基础上,利用扩展卡尔曼滤波算法,实现了融合点云先验地图与IMU的车辆定位算法。（4）在搭建的实车平台上,对上述算法进行了实验验证。实验结果表明:基于IMU数据的运动补偿具有更高的精度。相比只有前端的SLAM方法,本文搭建的SLAM框架在建图上有更好的稳定性和精度表现。基于先验点云地图的定位方法能够有效的解决地下车库场景下的车辆的定位问题,具有更高的定位精度,能够满足车辆的自动泊车需求。