近年来,人工智能技术在不断发展,其应用在日常生活中已经变得随处可见。无人驾驶作为人工智能的一大热门方向,也在快速发展。作为无人驾驶技术中的重要一环,高精度地图在无人驾驶关键技术中的感知、定位和决策中有着巨大的作用。即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是一种高精度点云地图生成算法。根据使用的传感器不同,SLAM也分为视觉SLAM和激光SLAM。视觉设备极易受到外界光线因素的干扰,相比之下激光雷达的点云数据更加稳定,同时激光雷达采集到的点云信息可以更好地反应周围环境的结构信息。所以本文是针对激光SLAM进行研究。激光SLAM主要可以分为前端里程计、后端优化、建图等步骤。前端里程计的作用是利用点云配准来获取相邻两帧激光雷达之间的刚性变换。IMU预积分的结果可以为前端里程计提供初始的位姿变换矩阵。前端里程计只考虑了相邻两帧之间的位姿变换关系,所以会存在累计误差。后端优化通过加入回环检测、GNSS绝对值等约束来降低累计误差带来的影响。建图是将各个相邻的点云以点云拼接的方式生成点云地图。目前,许多激光SLAM算法采用的点云配准算法是基于特征点的配准算法,例如LIO-SAM算法采用的基于曲率特征的点云配准算法。该算法没有考虑点云配准中运动物体的处理方式,所以运动的物体会对点云配准的精度造成影响。目前已有的回环检测算法的鲁棒性并不强,例如基于欧式距离的回环检测算法无法检测到大距离范围下尺度漂移的回环帧,基于Scan Context的回环检测算法对同一位置环境的稳定性要求比较高。针对上述的问题,本文的研究内容主要如下:（1）针对基于曲率特征的点云配准算法没有考虑运动物体的问题,本文提出了一种基于曲率特征改进的点云配准算法。相比于原算法,该算法在配准过程中通过点云反射强度信息来判断是否为运动物体上的点云,使得点云配准的精度有所提高。（2）针对已有回环检测算法鲁棒性不强的问题,本文提出了一种Scan Context和欧氏距离结合的回环检测算法。该算法结合了两种回环算法的优点,提高了回环检测算法的鲁棒性。本文通过该方法检测回环帧并在因子图中建立新的约束关系,以降低累计漂移误差带来的影响。（3）本文使用了项目组提供的传感器和车辆,完成了真实校园数据的采集。通过对数据进行时间对齐,本文建立了一个包含GNSS、IMU和激光雷达信息的小型数据集,并在该数据集和公开的KITTI数据集验证了算法的有效性。