随着互联网技术和数据科学技术的快速发展,自动驾驶汽车变得越来越智能。无人驾驶汽车在环境保护、道路安全、资源利用等领域都有积极的应用价值。然而现代城市路况日益复杂,简单的定位方法难以解决无人驾驶车辆面临的复杂地形定位问题。而三维高精度地图可以有效解决上述问题,可以同时满足无人驾驶车辆实时性与高精度定位的要求。即时定位与建图（Simultaneous Localization And Mapping,SLAM）是目前用于生成高精度点云地图的主流方法。SLAM分为视觉SLAM和激光SLAM。三维激光雷达通过发射激光束测量环境与自身的距离,可以更好的反应周围环境的几何特征。在安全性至上的自动驾驶领域,激光SLAM比视觉SLAM方法更具备鲁棒性。IMU不但可以对点云原始数据去运动畸变,并且IMU预积分可以给点云配准提供一个初始位姿变换。3D激光雷达和惯性测量单元（Inertial Measurement Unit,IMU）具有比较高的互补性和可靠性,是多传感器融合研究的热点。因此本文使用融合IMU和激光雷达传感器的SLAM算法生成三维高精度地图。SLAM算法中关键帧插入频率很快导致冗余信息快速增加,但是这些冗余的信息对系统的精度几乎没有影响,反而损耗了更多的计算资源。目前应用较为广泛且回环效果比较好的回环检测算法是Scan Context,但是在激光雷达经过同一个地方的时候方向相反,或者激光雷达从十字路口经过方向不同的场景下,Scan Context因为不具备平移不变性导致回环检测的效果比较差。在动态环境下用SLAM建图时,不可避免地会遇到动态物体的干扰,最终造成SLAM生成的点云地图含有动态点。这些动态物体在点云地图中形成的动态点有害于后续的定位或导航任务。针对以上问题,本文主要对以下内容进行了研究:（1）为解决SLAM算法中关键帧插入频率过快,导致参与运算的冗余点云增加的问题,本文在LIO-SAM基础上对选择关键帧的条件进行了改进。在不失精度和鲁棒性的情况下,过滤冗余关键帧,降低了后端因子图优化的时间,减少了计算机资源损耗,保证系统的平稳运行。（2）为解决激光雷达经过同一位置时方向不同,导致Scan Context回环检测效果较差的问题,本文将Lidar Iris回环检测算法整合到LIO-SAM框架中。本文算法在精确率和召回率方面相较原算法都有所提高。在Lidar Iris算法检测出回环后,将回环帧与当前帧进行配准得到的旋转矩阵作为回环检测因子添加到因子图中,从而对因子图进行优化达到降低累计漂移误差的效果。（3）为解决SLAM最后建成的点云地图含有动态点的问题,本文提出了一种基于ERASOR算法改进的动态点滤除算法。本文从原始含动态点的点云地图成功滤除动态点,生成最终不含动态点的三维高精度地图,并且保存率和丢弃率与原算法相比有所提高。最后本文通过KITTI公共数据集进行测试,实验结果验证了本文算法的有效性,为后续的进一步开发打下了坚实基础。