近几年,为节省人力、提高生产力,无人物流配送车、无人搬运车（Automated Guided Vehicle,AGV）在物流行业、工厂车间的需求不断增加,自动驾驶汽车产品兴起并快速发展,在这些应用中移动载体都需要实时确定自身在环境中的位置,并了解周围场景是什么样子。同步定位与地图构建（Simultaneous Localizationand Mapping,SLAM）技术正是解决这一任务的关键。本文研究了基于多线激光雷达、应用于三维空间的SLAM技术,使用IMU（Inertial Measurement Unit）传感器数据为配准方法提供位姿（位置和姿态）变换初始值,构建了基于多线激光雷达和IMU的三维SLAM方案。本文提出了一种用于和占据栅格子地图配准的融合点云特征,该特征融合了点云边缘特征点和平面特征点。该特征提取方法与自适应滤波方法目的都是减少三维点数量。实验表明,同自适应滤波降采样方法相比,本文特征提取方法速度与其相似,满足实时性要求;两者都可以在一定程度上控制处理后的三维点数量;不同的是特征点法使里程计配准误差更小、点云和子地图重复部分更多,从而对激光雷达位姿依赖程度更小。本文提出了一种基于多分辨率占据栅格子地图与特征点配准的里程计方法。将特征点先与低分辨率占据栅格子地图配准,将获得的位姿变换作为特征点和高分辨率子地图配准过程的位姿变换初始值。相比于特征点与单分辨率子地图配准,该方法有效地改善了配准过程的初始值,缓解了配准结果较早陷入局部最优的问题。针对累积误差对闭环检测方法的干扰问题,本文提出了一种结合分支定界和随机采样的闭环检测方法。该方法结合了分支定界法能够有效检测出近距离闭环约束和随机采样方法能以一定概率检测出远距离闭环约束的优点。该方法能够克服累积误差对闭环检测方法的干扰,保证地图的精度。综上所述,本文使用点云边缘和平面特征点,与多分辨率占据栅格子地图配准获得点云位姿,构建里程计算法。使用结合分支定界和随机采样的闭环检测方法,与位姿图优化方法一同减少里程计算法累积误差,最终建立三维SLAM技术方案。使用公开数据集和现实场景数据分别构建点云地图和二维占据栅格地图,直观地表现出本文SLAM方案有效性。使用公开数据集的真实轨迹,计算本文三维SLAM算法估计轨迹的误差。实验表明,本文三维SLAM技术方案在低速运动条件（运动速度在1m/s至2m/s）下具有良好精度。