同时定位和构图（Simultaneous localization and mapping,SLAM）是指机器人从未知地点开始移动,在运动的同时持续观测周围环境,进而利用重复观测到的环境特征来定位自身的位姿,根据此位姿信息再构建周围环境的增量式地图,从而达到同时定位和构图的目的。由于SLAM的重要学术价值和应用价值,它被广泛应用于移动机器人、灾中应急和环境监测等领域。目前主流的SLAM传感器有激光雷达和视觉相机两类,即激光SLAM和视觉SLAM,但是他们的工作性能严重受到天气状况和光线条件的影响。然而,毫米波雷达具有全天时全天候的性能优势,毫米波雷达SLAM在面对不同情景时拥有更稳健的表现。由于毫米波雷达自身具有数据量小、测量精度低、检测杂点多的数据特点,这将导致毫米波雷达SLAM在进行点云帧间序列匹配时会出现较大误差,从而无法得到准确的定位与地图结果。本文的主要工作内容就是研究基于毫米波雷达帧间序列相关扫描匹配（Correlative Scan Matching,CSM）的SLAM算法,具体的研究工作如下:（1）针对毫米波雷达的数据特点,首先研究了毫米波雷达点云数据提取方法。根据毫米波雷达的工作机制与信号体制,并与其他SLAM传感器的数据特点进行对比,确定了点云数据提取流程。首先根据毫米波雷达的物理参数,选择合适的感兴趣区域（Region of Interest,ROI）筛除了低测量精度数据。然后,利用轮式里程计（Odometry）和惯性测量单元（Inertial measurement unit,IMU）组合了雷达的连续帧序列数据,扩充了数据量。最后,总结并对比了现有用于筛除毫米波雷达数据杂点的聚类方法,并针对传统的基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise,DBSACN）,提出了改进的DBSCAN算法。经过实际数据验证,提出的改进方法明显提高了杂点筛除的准确率。（2）SLAM算法主要分为定位和构图两大模块。在定位模块,本文梳理并对比了现有的帧间序列匹配定位方法。针对毫米波雷达的数据特点,重点研究了基于二维点云的帧间数据匹配方法,提出了改进的CSM算法,这是一种“帧与地图”的匹配方法,它将毫米波雷达的单帧点云与全局地图的局部子图进行匹配。同时,使用目标的RCS特征作为匹配权重,以提高毫米波雷达帧间匹配算法的准确性。最后,使用采集的三组实际数据进行验证,证明了提出方法的有效性。（3）在SLAM算法的地图构建模块,本文梳理并对比了不同的地图构建方法。基于传统的占据栅格地图算法,提出了改进的占据栅格地图构建算法,它使用了目标的RCS特征作为占据概率权重。与传统方法相比,提出的改进方法突出了强反射体的目标轮廓,对于目标识别、地标匹配是有益的。同时,本文设计了毫米波雷达角精度概率模型,根据毫米波雷达的角精度范围,使用正态高斯分布拟合了目标的分布概率,在一定程度上补偿了雷达探测的角度误差,增加了地图的后验信息。根据多组实际数据的结果对比,证明了本文提出的毫米波雷达SLAM方法的有效性。