针对移动机器人在进行传统2D环境的定位时所存在的定位精度低且定位实时性差等问题，提出一种改进的迭代近邻点（ICP）算法的定位方法。首先，建立位姿搜索空间，采用由低到高的分辨率对搜索空间进行逐层搜索，并结合多点云密度进行部分点云扫描匹配，排除非最优位姿，加速搜索过程；在进行点云匹配中，采用帧对图的方式，有效地利用了历史帧信息；对得到的最优位姿进行稀疏矩阵位姿优化，进一步提高定位精度。在SLAM Benchmark数据集上进行测试，结果表明所提方法的算法效率是现流行的Cartographer算法的1.8倍到4.9倍之间，同时平移误差较小。并利用Turtlebot2机器人进行实际测试，结果表明所提方法的定位误差相比Cartographer和Gmapping均有明显的降低，且实时性较好；与传统的自适应蒙特卡罗重定位（AMCL）相比，平移误差均值降低了0.035 m，旋转误差均值降低了0.001 rad，具有较高的重定位精度。

对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(RANSAC)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,设定动态阈值消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。