激光雷达具有分辨率高、抗干扰能力强等优点,其输出的点云数据可直接获得环境中物体的深度值,不存在单目相机的尺度不确定性等问题,因此,基于激光雷达的SLAM系统被广泛应用在自动驾驶、移动机器人定位与导航等领域。当前激光SLAM大多基于静态环境假设构建,当环境中存在移动物体时,SLAM的定位精度会降低,构建的环境地图会因为动态物体的存在出现伪影,无法重复利用。如何提高激光SLAM系统在动态环境中的鲁棒性是本文研究重点,本文从以下几个方面展开研究。首先,提出了一种端到端的激光里程计方法,该方法采用自监督学习方式,仅利用未标注的连续激光雷达扫描数据即可完成网络训练,为提高卷积神经网络特征提取效率,将原始的点云通过球面投影映射成规则的顶点图;为充分利用所有点的特征,使用多种几何损失,在损失函数计算时引入不确定性权重,减少噪声点云的影响。对比实验结果表明,与其他方法相比本文方法具有更优秀的性能。其次,对SLAM中的闭环检测环节进行研究。当前用于闭环检测的局部特征描述符在噪声和环境微小变化下容易出现性能退化,而全局描述符在视角变化、遮挡以及动态环境中鲁棒性不足。本文关注场景中不同物体的空间拓扑关系,在特征提取阶段通过图卷积神经网络在特征空间进行特征聚合,提取不同物体的拓扑关系,通过此类高层次的辅助信息区分具有相似结构的不同场景,完成闭环检测部分的设计。实验结果表明,所提方法在不同环境中闭环检测的鲁棒性高于其他对比方法。然后,设计动态物体剔除网络剔除环境中存在的移动物体。简单利用点云语义分割网络存在分割不完全、分割率低的问题,通过增加通道注意力和空间注意力实现对目标物体的精准分割。在网络训练阶段额外输入残差图,引导语义分割网络准确识别环境中真正的动态物体,动态物体分割实验结果表明本文方法具有更高的分割性能。在此基础上,完成深度激光SLAM系统搭建,在多个具有动态物体存在的环境中进行仿真验证,结果表明,本文所提的SLAM系统可以降低环境中动态物体对定位和建图的不利影响。最后,利用实验室机器人平台在实际场景中进行实验验证。分别在实验室室内、走廊和室外环境进行定位和建图实验。实际机器人实验结果表明,本文方法具有良好的动态场景定位与建图性能。