室内智能服务移动机器人正成为机器人行业的焦点。在讨论移动机器人是否能够解决实际问题实现自主运动时,准确定位是是现移动机器人自主导航的核心关键技术。目前,移动机器人定位大多应用场景单一,难以应对实际使用过程中复杂多变的环境,如何让移动机器人面对不同定位问题时高效、准确地完成定位任务是移动机器人迈向智能的第一步。针对移动机器人在室内场景的应用,本文在主流的传感器融合方案上融合光流传感器和超宽带（Ultra Wide Band,UWB）传感器等传感器,开展移动机器人在室内环境中的定位的研究,提升移动机器人对于不同场景的适应性以及机器人定位的效率、成功率和准确度。首先,针对机器人相对定位问题,除了常规使用的基于两轮驱动模型的轮式程计定位和基于迭代最近点（Iterative Closest Point,ICP）算法的激光雷达里程计定位外,本文提出基于旋转补偿的光流传感器里程计方法,将光流传感器（原用于无人机定点悬浮）应用到移动机器人定位上,由于光流传感器不能安装在机器人中心位置,通过融合惯性测量单元（Inertial Measurement Unit,IMU）对于光流传感器进行旋转补偿消除旋转对于光流传感器定位造成的误差。最后,采用多级卡尔曼滤波进行信息融合,光流传感器定位和轮式里程计定位提供融合位姿估计高频性,激光雷达提供融合位姿估计准确性,再用融合位姿估计重置修正累计误差较大的光流传感器和轮式里程计。然后,针对绑架机器人问题,通常状况下轮式里程计和激光雷达无法正常进行位姿估计,本文使用光流传感器建立基于光流传感器的运动模型,得到一个粗糙的相对位姿估计,并采用条件变分自编码器生成模型对于运动模型输出的相对位姿估计进行训练,提升了基于光流传感器“绑架”过程中局部定位的精度,使得机器人位置更新在准确的位姿附近,从而使得机器人快速进行定位恢复,基本解决了短距离短时间内的绑架机器人问题。其次,针对机器人绝对定位问题,基于粒子滤波的蒙特卡洛定位算法基本可以解决局部和全局定位问题,但是不能解决绑架机器人问题,通过增加随机粒子的方式减少丢失正确位姿的概率,提高算法的鲁棒性。然后通过KLD采样算法调整样本集的大小来提高算法的效率。给出了结合增加随机粒子和KLD采样算法的自适应蒙特卡洛定位算法。在此算法基础上,增加UWB传感器辅助定位,来提升定位成功的概率和算法效率。基于UWB传感器本身对于不同障碍物的噪声参数不同,提出了带有障碍物噪声的占据栅格地图,进一步改进自适应蒙特卡洛全局定位算法,将初始化的过程由整张地图随机生成粒子转换成可能存在的地图区域生成粒子,极大地降低了机器人定位失败的概率,并且大幅度提升了算法效率。最后,为验证算法的可行性和有效性。本文搭建了移动机器人实验平台,在实际环境中对提出的不同定位问题的机器人定位算法进行验证。通过机器人定位轨迹（即准确率）、算法的时效性以及算法找回定位的成功率等多个维度对机器人定位算法的性能进行分析评价。实验结果证明,本文提出的相对定位方法具备实时性高、定位精度准以及鲁棒性好等特点;提出绝对定位算法大幅度提升了机器人找回定位的概率和算法的效率,同时有效辅助解决绑架机器人问题;提出的基于条件变分自编码器训练光流传感器运动模型输出的相对位姿有有效地提升与真实位姿的误差,基本解决了短距离短时间内的绑架机器人问题。