实时获取移动机器人在地图中的精确位置与姿态,是实现机器人自主导航、同步定位与建图等高层应用的基础与先决条件。为解决城市高架路、室内空间等遮蔽场景下,全球定位系统与惯性导航系统信号易丢失、误差易累积等问题,利用机器人搭载的环境感知型传感器解算位置与姿态信息的方法,得到研究者的广泛关注。激光雷达作为主动感知型传感器,具有全天候采集、数据精度高、受光照条件影响小等优点,已成为当前自动驾驶车辆、机器人等智能移动设备感知三维世界的主要工具。点云配准与场景识别算法是激光雷达实现全局定位与姿态感知过程的关键算法,研究海量点云数据影响下实时且鲁棒的点云配准与场景识别算法,对机器人实现自主导航与决策,进一步拓宽应用场景具有重要意义。本文围绕大规模场景点云数据量、点云噪声等因素影响下点云配准与场景识别算法的实时性与鲁棒性等问题,以深度学习为技术主线,主要研究内容及成果如下:（1）为解决点云大数据量与低重叠度场景等因素影响下点云配准过程的实时性与鲁棒性问题,提出面向大规模低重叠度场景点云的深度配准网络。该网络基于直接法配准结构,通过深入研究海量点云姿态特征快速感知方法,设计基于局部融合全局信息的快速编码模块,并在网络中动态的融入注意力机制,在提高运算效率同时,显著缓解低重叠度场景对姿态学习过程的干扰;针对传统直接法配准网络姿态预测阶段易于丢失细节特征的问题,设计基于金字塔结构的姿态预测模块,进一步优化网络配准结果。实验结果表明,本文所提方法可实时配准海量点云数据,具有优于现有方法的配准精度;在场景重叠度、点云噪声、点密度变化等因素影响下具有良好的算法鲁棒性。（2）针对复杂室内空间环境对点云配准过程的影响,提出一种面向室内低重叠度场景配准优化的增强滤波网络。该网络通过在特征空间与欧式空间内同时聚类并学习特征,增强网络对场景结构的整体理解;并进一步融入注意力机制实现特征交互,使网络能够准确预测并过滤原始点云内的非重叠区域点与随机噪声点,增强后续配准算法效果。实验结果表明,所提算法可同时对两幅场景点云提供快速滤波,冗余点预测精度可达92.38%,相比现有方法精度提升约7%;且在点云噪声与点密度变化影响下保持预测精度稳定。本文方法可有效提升现有配准算法在室内低重叠度场景下配准精度,优化后的传统配准方法精度提升约4倍,基于学习的配准网络精度提升约2倍。（3）提出高效且鲁棒的点云场景识别网络,解决激光雷达在实际大规模场景内的全局定位问题。该网络验证了基于局部区域感知的稀疏化特征学习模式应用于场景识别任务的可行性与有效性。实验结果表明,相比于现有方法,本文所提算法不仅能实现运算效率与场景识别精度的更优平衡,且在点云噪声与稀疏性变化影响下,具有优于现有方法的鲁棒性,使得本文算法更适合在复杂多变的实际环境中进行应用。（4）针对点云深度学习网络训练依赖数据标注问题,提出多种点云数据自动标注方法,使深度配准网络、增强滤波网络可摆脱对繁琐数据标注过程的依赖,实现自监督训练。本文方法支持使用超参数动态调节场景重叠度、噪声强度以及点云稀疏性等多种场景属性,使深度学习网络能够使用更具多样性的场景数据进行训练与测试。该论文有图71幅,表17个,参考文献162篇。