在无人驾驶领域,地图的构建与基于地图的定位是最为重要的子模块之一,其对于无人车的路径规划等任务具有重要意义。传统的定位导航技术通常为全球卫星导航系统（Global Navigation Satellite System,GNSS）与惯性导航系统（Inertial Navigation System,INS）组合的导航方式,但是这种方式在GNSS信号受到干扰和遮蔽时,仅仅利用INS会有累积误差。因此,在上述情况下,这样的导航方式不能保证无人驾驶汽车的安全性。基于实时定位与建图（Simultaneous Localization and Mapping,SLAM）的方法,同样具有累积误差,需要闭环检测消除,不适合长时间大范围的精确定位。基于高精度地图的定位方法,是当前主流的定位方式,但是高精度地图往往具有较高的构建难度和存储成本,且在使用时难度较大,在空旷或极为相似的环境下定位鲁棒性较差。为了解决上述这些问题,本文以无人车导航为应用背景,根据对人类导航行为的分析,重点研究了可变分辨率地图的构建和利用可变分辨率地图进行定位和导航的问题。主要包括多特征决策树可变分辨率地图的创建,基于已构建地图的定位框架的搭建,定位算法的改进研究和导航技术研究。论文的主要工作如下:1.提出一种新型的环境表示方式,使用基本的单元（Cell）来描述环境。Cell对应环境中的获得传感器数据的位置,可以用多种特征进行描述。根据定义的环境表示方式,研究并提出了一种新型的可变分辨率地图。通过构建训练数据特征的决策树分类器构建地图,在保证定位较高的可靠性的情况下,实现对输入测试数据提取对应特征进行分类,并根据测试数据的变化输出不同分辨率的定位范围。2.设计了基于可变分辨率地图的定位框架。根据序列数据的位置关系作为先验约束信息,提出了一种融合多特征决策树可变分辨率地图的定位方法。并通过对实验结果的分析,进一步改进了算法,提出了自适应定位算法。自适应定位算法可以自动选取使用特征的数量,并达到了良好的实时性,在越野环境下,使用五种激光雷达特征进行定位,平均定位用时在80ms以内,且达到了1.2m左右的平均定位精度。最后,将提出的自适应定位算法与卡尔曼滤波算法进行结合,使定位结果进一步稳定和精确。3.提出了一种基于可分辨率地图的导航框架,并进行了实验。首先将路口建立为拓扑结构中的节点,将连接路口的道路建立为连接节点的边,搭建起整个可变分辨率地图的拓扑层。接着根据训练数据和激光雷达里程计,计算路口中相邻Cell间的运动方向变化,从而构建出可以预测角度变化的可变分辨率地图。在使用时,根据可变分辨率地图的定位,判断当前无人车处于节点（路口）还是边（路段）,从而应用不同的运动方向估计方法,引导无人车安全行驶。