激光SLAM在狭长局促的煤矿井下非结构化环境中面临退化问题的挑战，在特征很少或者特征复杂的情况下，位姿估计不准确，导致建图失真甚至失败。针对煤矿井下非结构退化环境中激光点云特征提取与配准困难的问题，提出了一种融合FPFH和ICP算法的二阶段点云特征提取及配准的方法，首先构建源点云和目标点云的kd-tree结构，利用统计滤波和体素滤波降低点云数量，提取点云表面法线并计算关键点云的快速点特征直方图特征描述子，再利用采样一致性初始配准算法进行粗配准，然后采用ICP算法进行精配准，以提升点云配准的准确性和位姿估计的精度；改进了LIO-SAM算法的特征提取和配准算法以及后端回环因子图优化算法，提升其关键局部特征识别与配准能力，利用Scan Context全局描述符闭环因子改善其闭环检测性能，以获得精确的全局一致性地图。利用M2DGR公开数据集测试了改进算法的性能，开展了两种煤矿井下典型场景的模拟SLAM实验，验证改进算法在特征提取和配准方面的有效性。测试和实验结果表明，与传统的LIO-SAM算法相比，改进算法的位姿估计和点云配准精度更高，相对位姿误差的平均误差改善了6.52%，绝对位姿误差的最大误差降低了18.84%，构建的地图无明显失真，建图误差均在1%以内，可实现非结构化退化环境的高精度全局一致性地图构建。

                1 引言
2 点云特征提取和配准方法
2.1 点云特征提取
2.2 点云配准
2.3 性能验证
3基于改进特征匹配算法的LIO-SAM算法
3.1 LIO-SAM算法
3.2 改进LIO-SAM算法框架
3.3 算法流程
3.3.1 前端特征提取与配准
3.3.2 后端因子图优化
4 实验结果与分析
4.1公开数据集测试结果与分析
4.2模拟环境实验与结果分析
5 结论