随着移动机器人技术的快速发展,无人驾驶、安保机器人等应用对同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）系统的可靠性提出了更高要求,这就需要无人系统对其工作场景具有良好的语义理解能力。在SLAM和场景理解任务中,激光雷达因高精度、可全天时工作的特性而备受青睐,但激光点云数据的无序性导致大规模逐点语义分割的实时性不足。本文借鉴成熟的图像语义分割技术,并利用点云的空间依赖关系,实现了高效的激光点云语义分割,并在此基础上提出了激光SLAM语义增强方案。针对激光点云语义分割问题,本文提出了一种基于球面投影模型的实时点云语义分割框架。首先构建三维激光数据到投影图像像素间的映射关系,以便于借助成熟的图像处理主干网络提取点云特征。然后利用通道注意力模块提取各个特征通道间的依赖关系,并在多尺度特征融合时为具有不同细粒度的特征图计算并分配对应的注意力权重。最终通过局部上下文关联和基于欧氏距离的邻域投票机制,从语义图像中恢复全体原始点云的语义标签。基于上述框架的实时语义分割结果,本文提出了一种将语义信息和SLAM算法进行集成优化的方案,能有效提升整合后系统的地图构建精度和语义信息可靠性。该方案的具体优化方法包括两方面:其一,本文定义了点对间的语义相似度,并根据该相似度计算点云匹配时的残差权重,以降低几何误匹配的影响,提升激光里程计的性能;其二,本文提出了语义一致的全局地图构建方法,即根据里程计提供的位姿,融合多次语义观测来提高场景中语义信息的可靠程度。研究中还依据可靠的语义标签设计了具备旋转不变性和平移不变性的场景匹配算法,并以此为基础提出了相应的闭环检测方法,与当前主流方法相比具有更好的鲁棒性。本文选用德国卡尔斯鲁厄理工学院和丰田美国技术研究院合作建立的KITTI数据集,测试了我们提出的实时语义分割框架的预测精度和实时性,同时也验证了集成优化方案对主流SLAM框架的增强效果。此外还利用本实验室自行构建的校园环境激光点云数据进行算法测试,实验结果验证了本文所提算法的有效性和对不同数据源的适用性。