自动驾驶技术可以减小城市的交通压力以及交通事故率,也可以降低物流成本,提升工厂物料配送效率。无人车需要在复杂多变的环境中具备完善可靠的感知系统,尤其是在接收不到GPS信号的场景中,需要对周围环境进行重建以及实时自定位。因此,动态环境下的即时定位与建图技术（Simultaneous Localization And Mapping,SLAM）对于自动驾驶具有十分重要的意义。本文以激光雷达为传感器,以四轮差速转向AGV小车作为实验平台,进行了室外动态环境中的SLAM方法研究。首先,建立了无人车系统的坐标系模型和传感器模型,在传统点云滤波处理方法的基础上,针对小车的运动状态,建立了等速运动模型,对采集点云过程中由于小车自身运动造成的点云畸变进行了矫正。将环境中的地面点与非地面点分离开来后,采用一种基于几何的点云分割方法对环境中的不同目标进行分割,并结合直通滤波和体素滤波方法来进行滤波处理。针对多线激光雷达的特点,通过计算点的曲率从预处理后的点云中提取出比较有价值的边缘点和平面点,并构建线、面特征,通过点线匹配和点面匹配将相邻两帧点云进行关联,构建约束方程,利用LM优化算法求解里程信息。另外,针对室外动态场景,采用了一种几何特征与运动信息相结合的动态目标识别策略,以减少动态目标对定位及建图的干扰。基于迭代最近点算法,设计了一种回环检测方法,同时融入了图优化框架,在检测到回环时进一步优化点云地图与无人车位姿。基于自主搭建的无人车平台,对本文的点云预处理算法、激光里程计算法以及动态场景建图算法分别进行实验,在不同的场景中对上述算法的实验结果进行理论分析。实验证明该SLAM算法在实际环境中能实现比较好的定位与建图效果,具有实际应用价值。