近年来,同步定位与地图构建（SLAM）技术成为自动驾驶领域的研究热点。激光雷达因具有全天候工作、分辨率高等特性,使得激光SLAM技术的应用前景越来越广。但基于几何特征建图的SLAM系统的局限性逐渐暴露,复杂的环境因素等约束条件会严重影响SLAM系统的可靠性和准确性。因此,在SLAM系统中融入不受环境等客观因素影响的语义特征,设计鲁棒性高的语义信息增强的激光SLAM系统具有重要理论与现实意义。本文将语义信息应用于激光SLAM中里程计估计、地图构建以及闭环检测阶段,首先研究了点云语义分割方法,主要建立了球面投影模型,并且设计了基于自适应卷积和通道注意力融合的残差网络以及预测像素类别的多层交叉熵损失函数;然后研究了基于并行神经网络的激光里程计,主要分析了点云数据的编码方式,并且设计了基于全卷积的平移子网络和基于Flow Net的旋转子网络以及联合损失函数;最后,研究了全局语义一致的地图构建算法,融合几何和语义特征对滤除噪点和地面点后的点云二次配准,并同步更新全局地图中点云的语义信息,另外研究了语义增强的闭环检测算法,设计了点云帧对齐算法、基于语义类别优先级的语义特征描述符,以及衡量闭环发生概率的相似性分数。针对所提的理论,设计了系统算法实验,包括语义分割网络性能实验、里程计位姿精度评估实验、闭环检测性能评估实验以及建图轨迹评估实验,介绍了硬件条件、实验数据集、性能评价指标,并且依据不同需求进行了相应网络参数的设置。为了验证语义分割网络性能,在Semantic KITTI数据集上进行了分割性能对比实验与消融实验,结果表明本文设计的ACCA的结构最为合理且网络对小物体的分割效果有明显改善;为了验证里程计性能,在位姿转换后的KITTI数据集上进行相对位姿误差评估实验,结果表明本文设计的里程计算法能够较好地克服非平滑运动,准确估计位姿;为了验证闭环检测性能,在不同负样本占比、视角变化、物体遮挡三种情况下进行实验,结果表明本文算法鲁棒性较高;为了验证系统的性能,在KITTI数据集以及具有闭环回路的真实场景中进行绝对位姿误差评估实验,结果表明本文算法具有较高的全局一致性与定位精度。