无人驾驶技术与云计算、人工智能等技术的深度融合,为智能交通领域的发展带来深刻的变化。无人驾驶的核心技术主要包括环境感知、定位与建图、规划与决策和智能控制等,而高精度地图是L4级及以上无人驾驶的核心技术。虽然国内外学者针对高精地图生成方法的研究取得丰硕的成果,但其过程仍存在自动化程度低、更新速度慢的问题。针对这一现状,论文针对基于3D点云的高精地图的环境图层自动生成问题,采用基于深度学习的点云语义分割方法,结合随机采样与局部特征聚合的方法进行特征提取,实现了大场景下点云的精确分割;针对高精地图的道路图层自动生成问题,采用基于NDT（Normal Distributions Transform）配准算法和图优化方法实现场景的建图,基于地面点分割结果,并结合直线拟合和距离补偿的方法解决了道路边缘误差点检测与修正的问题;针对地图存储的问题,采用开源OSM（Open street map）地图格式对提取的道路元素进行矢量化存储,并进行验证。论文的研究内容主要包含以下四个方面:（1）实现了基于3D点云语义分割的高精地图环境图层自动生成。通过对现有点云语义分割领域相关文献的整理分析,针对现有方法在点云特征获取中存在特征丢失的问题,提出了局部特征聚合与随机采样相结合的局部特征提取方法,完成了大场景点云语义分割网络的设计。同时,通过数据采集、标注及预处理完成了校园环境数据集的制作,并利用训练得到的模型对校园未知场景进行自动分割。（2）完成了高精地图道路图层的自动生成。通过NDT配准算法构建关键帧之间的位姿图,对点云帧进行重复观测,结合点云拼接技术完成全局地图的初步构建。针对匹配过程的累积误差,采用图优化方法进行后端优化。在语义分割提取出地图道路点云的基础上,采用直线拟合方法提取出道路边缘,并用直线拟合和距离补偿方法对边缘误检点、障碍物点进行自动定位和修正。（3）实现了道路图层数据的矢量化存储。对道路边缘点提取结果进行拟合计算,得到道路的中间点;按照OSM地图的格式,将道路中间点从激光雷达坐标系转换到WGS84（World Geodetic System）坐标系后进行矢量化存储,最后借助JOSM软件对道路信息进行做进一步完善。（4）为验证所实现方法的有效性,与现有的语义分割方法在公开的数据集和实验平台任意时间段采集的校园数据集进行对比实验,证明方法的有效性;为验证道路信息的准确性,在ROS操作系统下完成道路可视化和地图信息的发布。