同步定位与建图（Simultaneous Localization and Mapping,SLAM）可以在未知环境下为无人车的自主导航任务提供地图信息和位置信息,对实现无人车的自主化具有重大理论意义和实际意义。然而激光雷达的点云畸变问题容易影响定位和建图精度。并且在激光里程计算法中仅基于关键帧关联成地图进行特征匹配,造成扫描信息损失,在小视场激光雷达中导致匹配退化甚至是跟踪丢失问题。针对现有算法存在的问题,论文设计一种基于激光雷达与IMU（Inertial Measurement Unit）紧耦合的多传感器融合SLAM算法,主要进行以下几个方面的研究:针对在激光雷达扫描过程中出现的点云畸变问题,提出了基于高斯过程回归的点云去畸变算法。融合IMU测量进行积分解算位姿得到旋转运动向量和平移运动向量,基于高斯过程回归对激光雷达单个周期内的旋转运动和平移运动进行回归预测,并对激光点进行运动补偿,从而输出无畸变的点云,所建立的地图无明显残影,解决了激光雷达在测量数据过程中随载体运动所导致的点云畸变问题。针对扫描信息损失问题和小视场匹配退化问题,提出了基于多子地图匹配的激光里程计算法。在当前帧无畸变点云上提取几何特征,建立关键帧子地图和普通帧子地图,在关键帧子地图和普通帧子地图上查找当前帧的特征匹配并度量残差,由残差构成代价函数并采用双鲁棒函数处理外点,最后通过高斯牛顿法求解该代价函数并输出当前帧的位姿。分别基于BCH（Baker–Campbell–Hausdorff）公式角度和基于李代数扰动模型角度推导激光点的高斯分布模型。使用高斯分布模型对基于高斯过程回归的点云去畸变算法作进一步推广。为了对激光里程计算法输出的位姿进行优化,通过滑动窗口优化算法融合IMU传感器测量和激光雷达传感器测量,得到滑动窗口内关键帧的状态估计值并输出优化后的定位信息和场景地图。综上,本论文设计了一种基于激光雷达与IMU紧耦合的多传感器融合SLAM算法系统,并在真实环境和公开数据集进行实验评估。在长轨迹序列、短轨迹序列和公开数据集上的平均端到端定位误差分别是0.2456m、0.1526m和2.7180m,在定位性能和建图性能方面均超过了LOAM LIVOX算法和FASTLIO算法。结果证明了方法的有效性,解决了点云畸变问题、信息损失和匹配退化问题,输出高精度的定位信息和场景地图。该论文有图21幅,表11个,参考文献81篇。