激光雷达（Light Detection and Ranging,Li DAR）与惯性测量单元（Inertial Measurement Unit,IMU）融合的同步定位与建图（Simultaneous Localization And Mapping,SLAM）方法能够克服场景中光照变化与弱纹理的影响,实现绝大多数环境下的精确定位与稳定建图,是当前无人驾驶领域的研究热点。目前基于融合的SLAM方法大多在场景静态且传感器低速运动的假设下实现,但是现实场景中往往存在运动目标,且传感器以较高的速度运动。在复杂多变的动态场景中,如何消除传感器自身运动造成的畸变并实现精确的定位与鲁棒的建图,是目前大规模动态场景下SLAM有待解决的难题。针对这一难题,本文在现有的融合SLAM框架下,结合大规模动态场景的特点,提出了基于多因子图优化的SLAM方法。基于场景分割实现了动态目标的检测与跟踪,并对SLAM的后端优化、闭环检测等关键模块进行改进,提高了大规模动态场景下SLAM的定位精度与建图一致性。本文完成的工作包括以下几个方面:（1）实现了一种基于点云分割的多目标检测与跟踪方法。采用基于全卷积神经网络（Fully Convolutional Nerual Network,FCNN）的点云分割方法,检测出激光点云中潜在的运动目标;然后采用无迹卡尔曼滤波（Unscented Kalman Filter,UKF）优化估计运动目标的模型参数,进一步地利用概率数据关联算法（Probabilistic Data Association,PDA）约束预测方程的更新;最后利用交互多模型（Interacting Multiple Model,IMM）方法组合不同模型下的状态估计结果,输出运动目标的速度、类别、状态标志位,实现对多个运动目标可靠跟踪。（2）提出了一种基于因子图优化的同步目标跟踪与SLAM方法。基于多目标跟踪结果将场景分割为静止部分与运动部分。对静止部分的点云采用基于因子图优化的方法实现定位与建图。前端采用滑动窗口管理关键帧,实现关键帧的数据关联,后端基于图优化模型对多类信息进行优化,实现了动态场景下精确的位姿估计与建图。（3）提出了一种改进的高精度多因子图优化SLAM方法。结合IMU预积分与因子图优化构建IMU因子;采用基于点云描述符的闭环检测方法,实现准确高效的闭环因子构建;改进现有的多因子对齐方法,通过插值实现多种因子准确对齐;并讨论了传感器失效时的退化处理方法,对现有多因子图优化SLAM方法进行了改进。（4）在Linux环境下,基于机器人操作系统（Robot Operation System,ROS）对四种方法进行了实验验证。在KITTI数据集的object子集上进行了多目标检测与跟踪实验,证明所提出的方法可实现动态场景下可靠的多目标检测与跟踪。在三个数据集上进行了多组实验,证明同步目标跟踪与SLAM方法可在动态场景中实现精确位姿估计与构建一致的静态地图。闭环检测方法在KITTI数据集的复杂序列上进行了对比试验,证明了方法可在反向访问场景中实现稳定的闭环检测。改进的多因子图优化SLAM方法在两个开源数据集上进行了对比实验,结果表明方法可在大规模动态场景下实现高精度的定位与一致的建图。图48幅,表11个,参考文献68篇。