近年来,无人驾驶技术已经成为整个汽车产业的最新发展方向。针对无人驾驶汽车的定位问题,主流的定位方法是采用高精度的差分GPS和激光雷达等传感器,通过与高精地图匹配获取自身位姿。但该传感器组合方案价格昂贵,高精地图点云数据量大,对移动平台的存储和计算要求较高。同时定位与建图（Simultaneous Localization and Mapping,SLAM）是一种根据周围环境信息求解车辆自身位姿的方法,对无人车理解周围环境提出了极高的要求。但当前SLAM系统大多利用点、线等低级几何信息做匹配和建图,忽视了环境中的语义特征。因此,本文针对结构化道路场景建立了基于视觉与IMU的SLAM解决方案,通过语义分割获取环境中稳定、丰富的道路特征语义信息,进而构建融合结构化道路特征的语义地图。分析了相机投影模型、相机畸变模型以及IMU误差模型,对相机和IMU进行了内外参联合标定,为传感器接入SLAM系统提供较为精确的参数保障。对基于深度学习的结构化道路特征语义分割方法进行研究。以Deeplab V3+网络为基础框架,用结构更为简单高效的Mobile Net V2网络替换其主干特征提取网络中原来的Xception网络,提高网络进行语义分割的效率。添加了融合通道域和空间域的注意力机制模块,让神经网络更加专注于图像的关键特征信息。相较于原网络框架,改进的Deeplab V3+网络的MIou值较改进前提高了5.41%,较同样为编码器-解码器结构的U-Net网络提高了8.16%。为了构建融合结构化道路特征的语义地图,采用逆透视变换及颜色阈值筛选策略将语义分割图像转换为鸟瞰图视角下的语义特征点云,利用体素滤波对特征点云进行下采样,剔除点云数据中的离群点和噪声点。建立基于迭代最近点法和正态分布变换法的位姿求解方案,利用位姿求解得到的变换矩阵,构建全局一致的结构化道路特征语义地图。基于Gazebo仿真平台搭建了仿真环境,对结构化道路和无人小车进行了建模,使用汽车行驶过程中常见的四种行驶策略对系统的定位精度和建图效果进行了实验验证。实现结果表明,四种行驶策略下,系统定位的绝对位姿误差均方根值为0.1845m,相对位姿误差均方根值为0.0423m,达到了较高的定位精度水平,并且本系统构建的道路特征语义地图具有较高的准确度。