移动机器人相关产品和技术的兴起,使得相关领域学者对该方向技术的研究日渐深入,其中SLAM（Simultaneous localization and mapping）技术是实现移动机器人自主定位的关键。目前,对于定位的问题已有很多解决方案,如基于轮式里程计和惯导进行航位推算的定位算法,但在长时间运行后算法的累积误差变大。而基于激光雷达或视觉此类通过采集外界环境信息的方式进行定位,识别位姿状态较为准确,但在较大场景定位时,会丢失全局位姿方向。因此,本文在考虑了单传感器定位的缺陷后,选用激光雷达和IMU紧耦合的数据融合方案,通过两种传感器间的数据估计位姿,并联合优化。首先,对IMU的原始数据进行预积分估计位姿,并对激光点云通过线性插值的方式校正载体在运动过程中所产生的点云畸变;接着按照单条激光线所获取的点云,以曲率大小为提取条件,提取平面特征和角特征,将所识别的特征点中判定为离群点的数据剔除,根据特征的离散程度进行分类,再对不同种类特征点进行分类存储;然后在特征匹配阶段分析传统ICP匹配算法需要提供初值且迭代优化耗时长的问题,提出了一种改进的方案,借助IMU预积分估计的位姿为算法提供初值,对原始点云数据按点云边界和设定的单个体素大小,进行体素栅格化处理,加快迭代优化的速度,并利用帧间匹配模块在滑动窗口内构建局部地图;最后利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。实验所使用的数据集为KITTI数据集和自行录制的园区数据集。实测结果表明,利用这两个数据集进行大场景建图时,改进算法绝对位姿误差的最大值为2.73m,平均值为1.14m,小于Lego-LOAM和LIO-Mapping方案对应的误差值;同时对于改进算法单帧点云的处理时间为282.3ms,符合里程计实时性的要求。