随着信息化和智能化的不断发展,移动机器人正逐渐进入人们的视野,改善人们的生活。移动机器人定位是完成机器人导航、运动、控制等其他功能的前提,是移动机器人研究的基础性问题。本文的研究工作主要围绕基于贝叶斯理论的移动机器人定位方法展开研究,主要研究工作包括下列几个方面:①在贝叶斯理论框架下,对移动机器人定位问题进行数学建模,重点分析了移动机器人定位中的数据关联问题和状态估计问题。②为提高移动机器人定位中数据关联算法的运行效率,提出了一种改进JCBB的数据关联方法。将所有的观测值通过K均值聚类方法分成关联度小的若干分组,分组的数目取决于环境的特点,然后利用JCBB和最近邻数据关联方法得到每一个分组的两种局部最优关联结果,最后将所有的局部最优关联结果连接在一起,选择联合相容度最高的一组作为最终的数据关联结果。该方法能够在环境特征点密集的前提下,显著提高数据关联算法的运行效率。③为获取移动机器人位置状态的高精度估计,分析对比了扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和容积卡尔曼滤波算法,并将其应用在两种典型的非线性状态估计中,分析各种算法的运行时间和估计精度,提出采用兼顾精度和时间复杂度的CKF算法对移动机器人的位置状态进行估计。④为验证以上研究方法的正确性,论文对移动机器人的运动过程和观测过程在贝叶斯框架下建模,并根据模型在Matlab上建立仿真实验平台,分析对比了本文所提出的CKF-SLAM移动机器人定位方法与传统EKF-SLAM移动机器人定位方法的性能指标。文章最后对主要工作及取得的成果进行了总结,并进一步指出了今后工作的研究方向。