近年来,全球各行各业的发展逐渐趋向于自动化,对智能机器人的需求日益增加,医疗、运输、自动驾驶等各方各面都需要机器人能够做出正确的决策。作为搭建机器人与外界感知的桥梁,同时定位与建图技术（Simultaneous Localization and Mapping）显得尤为重要。而在实际场景中,动态物体的存在严重干扰了激光点云配准的过程,降低了机器人对自身定位的精度,同时,单一传感器信息以及语义信息的缺失等问题造成了机器人对外界环境无法进行正确的认知,致使在SLAM中机器人无法对回环进行正确的判断从而使得累积误差无法得到优化。针对上述问题,论文提出了一种多源传感器融合的SLAM技术,针对动态物体造成激光里程计定位产生偏差的问题,提出了一种基于簇类约束的动态点云识别算法,并且结合该过程利用粗配准与精配准相结合的方式改进了传统特征匹配策略,以此组成了动态环境下基于簇类的激光里程计。同时利用YOLO神经网络对图像进行目标检测,将识别到的目标通过外参矩阵投影至激光点云中,通过生成一维算子加速了回环检测的过程,然后通过基于高度的全局描述符匹配,对回环检测节点进行了优化,最后对回环检测结果以及通过scan-to-map优化后的前端输出位姿进行图优化,获得一个更加准确的实时位姿,并生成实时的点云地图。论文的主要研究工作内容如下:（1）研究了动态环境下的动态点云识别技术。首先针对激光雷达点云中各个物体所对应的形状和大小无规则的特性,论文提出一种基于欧拉距离的快速聚类算法,该算法首先将三维点云进行有序化处理,对有序化点云进行基于欧式距离的聚类,快速地将独立且非连接的语义个体所对应的点云进行分割。然后针对动态物体会对定位精度造成影响的问题,提出了基于簇类约束的动态点云识别算法。该算法通过计算聚类后的各个点云簇类中心,并结合IMU预估计的矩阵进行变换,分别与上一时刻的点云簇类中心进行比对,快速建立点云簇类匹配关系,最后通过设定阈值剔除点云中的动态点云。（2）研究了复杂环境下的点云配准技术。针对单一ICP配准过程迭代时间较长的问题,论文提出了一种基于簇类约束的点云配准方案,首先将点云簇类所在的大栅格替换成NDT算法中自我分割的小栅格对两个相对关系完全未知的点云进行粗配准获取初始位姿变换矩阵,然后在此基础上再通过ICP算法对每个特征点进行迭代实现精配准,从而得到最终估计出的位姿变换矩阵。粗配准与精配准的结合在保证点云配准精度的同时,提高了特征配准策略速度。（3）研究了多模态融合的回环检测技术。针对传统回环检测方案受距离约束的问题,提出了一种基于环境高度信息的全局描述符构建方法,该方法通过基于点云的高度信息构建类图像的二维点云图,同时通过YOLO神经网络对相应的相机图像进行目标检测,利用外参矩阵将检测出的目标投影至点云中,完成点云的语义标注,然后通过已完成的语义标注对全局描述符进行编码计算生成了一维算子,并借助KD树对高维数据快速处理的特性完成了缩减潜在候选关键帧的任务,从而优化了回环检测节点的运行效率。最后通过微调列偏移量得到最小的相似度值用来判断是否存在回环。该方法降低了回环检测的时间复杂度,并且通过环境中的语义信息来验证回环的存在性,避免传统基于里程计的回环检测方法受累积误差影响而无法正确检测到回环的问题,有效地降低了回环检测的误匹配率。（4）通过KITTI数据集和设计的动态点检测实验、动态环境定位实验、室内定位实验和室外定位实验,分别验证了动态环境下基于簇类约束的激光里程计与多模态融合的SLAM后端优化的有效性与精度。试验结果表明,论文设计的算法具有较高的精度,能够在复杂的实验环境下得到精度较高的定位结果。