近年来，针对地面无人驾驶车辆的研究工作正飞速的发展和前进。作为无人驾驶车辆导航定位与决策规划的重要工具，高精度地图的研究趋势也逐渐从二维向三维过渡。本文深入研究了车载激光雷达三维点云数据的配准方法，并针对场景内动态目标过多会严重影响配准精度的问题，进一步研究了动态点云的去除方法，为无人车定位及高精度三维地图建模等相关应用提供技术基础。主要取得了以下研究成果和创新点：　　1、提出了基于初始定位动态特征（ILDF）并融合物体目标属性的动态点云检测方法。该特征的基本思想是通过描述某一点k邻域内的方向与模值的一致性来判定该点的动态属性。首先依靠初始定位信息，将两帧点云投影至全局坐标系中，然后根据预先设定的与动态目标速度相关的阈值，查找点云数据中的疑似动态点，对疑似动态点提取ILDF特征，判断点云的动态属性。最后融合径向边界最近邻（RBNN）聚类的结果，优化动态点云的检测。实验证明，该方法在结构化环境中可以有效的检测出场景内的动态点云。　　2、提出了一种基于正态分布变换（NDT）的三维点云数据配准方法。该方法包括地面点分割、障碍物聚类、动态点云去除等预处理过程和基于正态分布变换的三维点云数据配准。考虑到原始NDT方法的效率与精度难以兼顾，本文针对分布到分布（D2D）的NDT方法，提出了一种基于RBNN栅格划分的改进配准算法。实验证明，本文方法在保证效率的情况下，提升了配准算法的精度。