实时定位与建图（Simultaneous Localization And Mapping,SLAM）为自动驾驶车辆实现环境感知、决策以及路径规划提供重要保障,是自动驾驶核心关键技术之一。由于激光雷达测距精准和抗干扰能力强,激光SLAM逐渐引起广大专家学者的关注。然而现有激光SLAM里程计算法在室外动态场景建图时,存在因点云特征点匹配约束不足和地面采样数据较为稀疏而导致激光里程计精度低、鲁棒性差的问题。针对上述问题,本文提出了多类别特征点匹配和IMU与LiDAR紧耦合的两种里程计方法。首先,在特征点匹配方面通过每种类别特征点在欧式距离最小范围内搜索其最近点对应关系,并进行特征点法向量和主向量方向上的一致性检查,使其在距离和方向上的约束更加鲁棒;其次,在IMU与LiDAR紧耦合里程计方面通过IMU状态估计,校正LiDAR数据产生的运动畸变,并使用IMU数据构建系统优化函数,进一步约束位姿,抑制重力矢量方向上的漂移。本文具体研究内容和创新点如下:（1）针对现有激光里程计算法在室外动态环境中进行地图构建时,点云匹配约束不足而造成激光里程计精度低、鲁棒性差的问题,提出一种多类别特征匹配里程计算法。首先,在特征点提取阶段采用双阈值地面滤波,进行地面点和非地面点的分类,对于非地面点,使用基于主成分分析（Principal Component Analysis,PCA）多类别特征点提取;其次,在多类别特征点匹配阶段,每种类别特征点在欧式距离最小范围内搜索最近点对应关系,并进行特征点法向量和主向量方向上的一致性检查,使得特征点匹配在距离和方向上的约束更加鲁棒。最后,通过实地场景测试,和LeGO-LOAM算法相比,本文算法相对位姿误差降低了25.5%。（2）针对现有激光里程计算法在室外动态环境中建图时,地面采样数据较为稀疏且LiDAR数据存在噪声,易造成重力矢量方向上漂移的问题,提出一种IMU与LiDAR紧耦合里程计算法。首先,在数据预处理阶段进行主干目标点云提取,并采用IMU状态估计,校正LiDAR畸变数据,提高LiDAR数据的质量;其次,在特征匹配阶段进行特征点法向量和主向量的一致性检查,使得特征点匹配在距离和方向上的约束更加鲁棒;最后,使用IMU数据构建紧耦合,进行联合优化估计,抑制重力矢量方向上的漂移,降低激光里程计累计误差,提高里程计精度。通过实地场景测试,和LeGO-LOAM算法相比,本文算法累计误差降低了63.6%。