随着人工智能技术的快速发展,无人车自动驾驶技术正被广泛应用于城市交通、国防安全等邻域。与城市道路的结构化路面相比,野外崎岖地形下的无人车自动驾驶技术存在更大的挑战。即时定位与建图技术（Simultaneous Localization And Mapping,SLAM）作为无人车环境感知的重要部分,用来实现在无卫星定位信号时的无人车自定位以及构建高精度的环境地图。然而,崎岖路面极易降低SLAM算法定位与环境建图精度。因此,本文对于崎岖路面下的激光雷达SLAM、栅格地图构建等进行了如下研究:为了增加崎岖路面下激光雷达里程计的定位精度,本文提出了一种崎岖地形下的激光雷达里程计算法。该算法采用体素滤波对原始点云进行降采样,采用半径滤波剔除了离群点;而后,根据崎岖地形特性,基于点云曲率,将点云分成边缘点和平面点;为了提升特征匹配精度,高效地对两类点云进行分配,本文利用了一种基于子区域的特征提取方法;基于得到的边缘点和平面点,进一步构建点线、点面特征,通过点线匹配和点面匹配将前后两帧点云关联起来,构建约束方程,利用LM算法求解里程计信息。为了降低崎岖路面带来的无人车振动干扰,本文采用惯导输出作为校正依据,消除点云运动畸变,并构建惯导预积分模型,基于惯导预积分建立了惯导与激光雷达紧耦合算法,有效提升了崎岖地形下法向定位精度。为了提升崎岖地形下建图精度,本文还提出一种基于关键帧的滑动窗口建图算法,利用G-N优化方法将关键帧点云与之前的n个关键帧进行匹配,以平滑由崎岖路面带来的环境建图误差,并通过回环检测进一步减小SLAM系统误差。基于得到的三维点云地图,首先利用地面平面拟合算法剔除地图中的地面点,而后根据八叉树原理,采用Octomap库进行膨胀得到三维概率地图,再投影得到了二维栅格地图。基于KITTI数据集以及真实环境中的结构化路面、崎岖路面等场景,本文开展了一系列实验以验证本文紧耦合SLAM算法的定位及建图精度,并基于二维栅格地图进行了路径规划测试。实验证明,本文SLAM算法不论在结构化路面还是崎岖路面,其平面定位精度较高,且在法向的误差也较小,能够实现高精度的自定位并建立准确的环境地图以支撑无人车的路径规划等任务需求。本文的研究成果可以为野外崎岖地形下的环境感知提供技术参考及解决方案。