激光同时定位与地图构建（Simultaneous Localization and Mapping,简称SLAM）是使用激光传感器进行载体的位姿估计与环境地图构建,在自动驾驶、航天探索、移动机器人等领域被广泛运用。基于激光传感器SLAM相关理论比较成熟,但是也存在激光传感器价格的制约、单线激光数据信息少、在较大旋转场景下特征难以进行准确匹配以及单线激光对地面环境适应性差的问题。本文的主要研究内容为基于扩展的二维激光雷达对环境扫描,通过提取线段和平面特征提高特征匹配的效率和准确性、并融合惯性测量单元（Inertial measurement unit,简称IMU）数据解决机器人在运动过程中由于旋转角过大,出现特征误匹配的问题、通过对激光点云进行位姿补偿提高构建栅格地图的精度。针对室内结构化的环境与可变高度激光雷达的结构特点,提出了从三维激光点云中提取线段特征和平面特征,并设计了一种有效的线段和平面特征匹配算法,将线段特征和平面特征结合起来,进行可变高度激光雷达残差估计,提升了激光SLAM系统在结构化的室内环境的精确性和鲁棒性。针对移动机器人在运动过程中由于转弯角度过大,造成采集到的点云特征出现错误匹配的情况。本研究使用可变高度激光雷达扩展环境信息,基于线段和平面的匹配方法,并融合IMU的预积分信息,提出了一种以紧耦合方式融合各传感器测量数据的SLAM算法,使用非线性优化的方法通过最大化后验概率以求解最优状态估计。针对移动机器人在起伏地面运动时会造成构建的地图不能反映真实环境的问题。本文提出了首先对可变高度激光雷达采集的点云数据进行校准,然后把校准后的激光点云压缩成二维激光,最后使用校准并压缩后的激光构建占用栅格地图。在上述提出的算法基础上,搭建了以先锋机器人Pioneer 3-DX、可变高度激光雷达和Xsens MTI-G-700传感器为基础的实验平台,对本研究课题提出的融合IMU预积分和可变高度激光雷达算法在结构化的室内环境中进行了定位与构图实验,通过实验验证了本文所论述方法在定位精度、地图构建的精确性以及算法鲁棒性均优于二维激光SLAM和传统轮式里程计算法。