非结构化环境下的无人车自主行驶是自动驾驶技术落地待需解决的关键问题之一。非结构环境一般是指城郊地区、乡村地区、园区、停车场等环境,该环境下的道路一般缺乏车道线及明确的道路边缘,并且定位信号较弱。在此背景下,同步定位与建图（Simultaneous Location and Mapping SLAM）成为解决无人车在非结构化环境下自主定位与环境建模的有效手段。SLAM技术通过视觉传感器获取环境数据得到一个与周围场景一致的地图,并同时确定无人车在该地图中的位置。本文以视觉SLAM技术为基础,针对无人车在非结构化环境下环境建模与轨迹规划的关键问题展开研究,主要研究内容包括:复杂环境特下的特征匹配、动态场景中的地图构建、局部轨迹规划等。具体工作如下:（1）针对目前SLAM算法在室外非结构环境下特征匹配易失败的问题,提出了一种基于改进特征描述符的特征匹配方法。首先搭建了ORB-SLAM3同时定位与建图框架,然后通过改进FAST-SCNN语义分割网络获取环境语义信息,并考虑各特征点之间的空间几何分布关系,从而构建了一个语义特征描述符,可以更好地适用非结构环境的特征匹配任务。（2）针对动态环境下动态对象对建图准确性的影响,提出了一种动态场景中三维点云地图语义化处理的方法。该方法基于深度残差网络和全卷积网络思想,构建了一种适用于非结构化环境的语义分割网络,该模型将动静态对象进行分割。在此基础上,采用场景流的方法对动态对象进行跟踪,以消除动态对象的存在对定位与建图精度的影响。（3）针对动态对象影响传统势场法轨迹规划的问题,基于构建的三维点云地图,提出一种点云势场局部轨迹规划方法。首先基于传统人工势场法的思想,为三维点云地图赋予势场。然后考虑到非结构化环境中不可避免的存在动态障碍物的影响,利用随机可达分析,对无人车与障碍物的碰撞概率进行计算。最后,该概率更新动静态障碍物势场梯度,实现无人车在非结构化环境下的局部轨迹规划。课题研究过程中,为了验证本文提出方法的有效性,设计并搭建了基于ROS的无人车实验平台,在非结构化场景中利用该平台进行自主环境建模、车辆定位以及局部轨迹规划实验。实验结果表明本文提出的方法在无人车定位与地图构建方面均具有较高的精度,所提出的局部轨迹规划方法在非结构环境以及动态环境下具有较高的鲁棒性。