随着智能计算机、传感器以及新材料等技术的进步,移动机器人领域得到了长足的发展,有效提升了机器人的智能性,使机器人具备更大的工作范围,更高的自主程度,能够适应更加恶劣的环境,这对于推广机器人在各行各业的应用有重要的意义。移动机器人技术涉及到定位、导航、控制、决策等各个方面,其中,最重要的就是定位技术,即机器人需要通过传感器感知周围环境,从而知道自己所处的位置,这是机器人后续行动和决策的基础。目前所广泛采用的方法是同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）[1],然而该系统无论是基于图优化方法还是基于滤波方法,在长期运行时都会产生所消耗的内存资源和计算资源持续增长的问题,针对这个问题,本文提出一种支持长期运行的激光雷达SLAM系统。设计思路是该SLAM系统中,基于图优化的后端求解模块的规模,仅应该随着机器人探索区域的增大而增大,不应随着探索时间的增长而增大。具体来说,本文的主要研究内容与成果分为以下几个方面:（1）提出并实现了改进的相关性扫描匹配方法,通过贪心算法指导优化方向,代替了原方法中暴力搜索的方式,提高了前端扫描匹配的效率。（2）跟踪国内外SLAM研究现状,针对移动机器人长期定位与建图这一需求,设计并实现一种基于图优化的SLAM系统。该系统采用单线激光雷达和里程计作为传感器,将采集到的数据输入到前端模块,前端模块基于改进的相关性扫描匹配算法计算出机器人初始位姿,并在图中添加节点和边,供后端优化使用。后端使用G2O（Generral Graph Optimization）优化库,基于图优化理论,采用非线性最小二乘方法迭代求解,从而得到机器人位姿的最优结果。并且该SLAM系统具备闭环检测功能,可以有效降低机器人位姿的累计误差。（3）针对移动机器人长期定位及建图时,占用较低的内存和计算资源这一要求,提出一种在局部地图内基于时间和空间的节点裁剪策略,该策略通过时间和空间的阈值限制,挑选出图模型内距离局部地图首节点一定距离的较旧的节点,并从图模型中去除,随后根据通用线性约束模型生成新的稀疏因子,并基于CLT（Chou-Liu Tree）算法得到图模型近似的最大生成树,最终用该树模型代替原始的图模型,从而降低图模型中因子的数量。通过在多个数据集以及实际场景中进行的实验,充分证明了本文所述方法的可行性。