随着我国科学技术的快速发展,无人车导航与定位技术成了现在最热门的研究方向。无人车自主导航与定位的核心技术是同时定位与建图（Simultaneous Localization And Mapping,SLAM）技术。目前,由于激光传感器有着较高的精度且不受天气条件影响,可以全天候工作的特点,激光SLAM成为了现在主流的研究方向。基于以上背景,本文主要采用多线激光雷达传感器、轮式里程计和IMU获取数据并融合,进行创建高精度地图与无人车定位的研究。本文的主要研究内容如下:首先,由于采集的数据中存在地面噪点以及激光点云数据过大,影响建图精度与速度,本文先对激光雷达点云进行了预处理,采用了体素滤波降采样的处理方法,在保留激光点云原始几何结构的基础上,降低了点云数量,能够在建图精度几乎没有影响的情况下,提高创建地图的速度;并采用基于射线的地面分割方法与基于地面平面拟合的地面分割方法对地面噪点进行滤除,可以有效提升建图精度。其次,对cartographer算法原理进行详细分析,主要是对cartographer算法的占据栅格构建,子图更新,以及分支定界搜索的过程作了详细的推导,最终实现了多场景高精度地图的建立;由于在建图过程中出现环境退化的问题,提出多传感器融合的建图方法,通过增加轮式里程计信息约束,解决了环境退化问题。接着,本文在建出的高精度地图上进行无人车定位研究。首先基于cartographer纯定位模式下进行实车定位实验,由于此方法对CPU性能的要求高,因此通过建立里程计运动模型以及似然域模型实现了基于自适应蒙特卡洛定位方法,在不影响定位精度的前提下,有效的降低了CPU的利用率。最后基于实验室无人车平台,进行编程实现算法,首先通过室内外地面点云分割的两种算法对比,发现基于平面拟合的地面分割方法能够更快分割地面点云且分离效果更好,并且滤除地面点云后所创建地图精度更高;通过实验发现在降采样处理后,在建图精度几乎没有影响的情况下,建图速度得到了很大的提升;最后进行了长走廊场景下的环境退化实验,通过增加轮式里程计信息的约束,很好的解决了环境退化的问题;最终,通过机器人操作系统（Robot Operating System,ROS）的可视化工具对实验结果进行展示。