随着微电子技术、计算机技术、信息融合技术和网络技术的快速发展，机器人技术的发展也十分迅速，特别是具有移动行走功能、环境感知能力及能够自主完成各种智能服务的自主移动机器人研究已经成为机器人技术领域的热点。对于移动机器人来说，具有自主导航能力是移动机器人走向实际应用的前提条件。自主导航的基础是移动机器人能够自主定位和地图构建。同时定位与地图创建(SLAM)是指在未知环境中，机器人通过自身传感器测量周围环境信息，估计自身位置和运动状态并同时估计和描绘周围环境地图的过程。本文对同时定位与地图创建的多种算法进行了研究，并且在传统方法的基础上进行一些改进，从而提高SLAM的性能和精度，主要研究内容如下：首先，概述课题研究的背景和研究的意义，介绍了国内外移动机器人SLAM问题的研究现状，并对移动机器人的系统模型进行了建模，建立的这些系统模型是研究SLAM问题的平台基础。其次，对移动机器人现有SLAM方法进行深入研究，重点分析了扩展卡尔曼滤波算法(EKF)，对扩展卡尔曼滤波算法存在的一些问题进行讨论。再次，针对基于雁群粒子群算法的模糊自适应EKF-SLAM算法中雁群粒子群早熟等问题提出一种改进雁群粒子群算法的模糊自适应卡尔曼滤波算法。利用分数阶微积分来对粒子进化的速度进行改进，利用混沌来对粒子的初始化问题和粒子发生早熟时的处理方法进行优化。将改进后的雁群粒子群算法用于模糊自适应扩展卡尔曼滤波同时定位与地图创建算法的训练，并与用雁群粒子群算法训练的模糊自适应扩展卡尔曼滤波同时定位与地图创建算法进行对比，精度有很大提高。最后，针对扩展卡尔曼滤波算法中的非线性模型的线性化问题进行了改进，扩展卡尔曼滤波一般都是用非线性模型的线性化模型来求得近似解。本文引入Takagi-Sugeno(T-S)模糊模型，采用伪线性模型来替代非线性模型，并用遗忘因子来自适应调整T-S模糊卡尔曼滤波算法，提高了SLAM算法的稳定性。