随着计算机科学、传感器技术、人工智能等学科的发展，机械设计、制造水平的不断提高，移动机器人日益向着智能化和自主化的方向发展。自主定位和地图创建是移动机器人智能导航和环境探索的研究基础，定位精度和创建地图的准确性是机器人能否在实际环境中成功应用的前提。移动机器人的工作环境分为室外环境和室内环境两种，本文针对移动机器人在室内环境中的自主定位和地图创建展开研究。由于视觉传感器信息量丰富，使用视觉传感器进行移动机器人定位比较适合基于地图的定位。但是视觉信息计算量大、视角的变化、光照的变化都给视觉特征的提取和匹配带来困难，找到精确、高效的特征提取和匹配方法是基于地图定位方法的关键步骤。尺度不变特征变换（Scale Invariant Feature Transform，SIFT）生成的特征对图像的比例缩放、旋转、三维视角、噪声、光强的变化具有较好的不变性和可辨别性，是一种很可靠的特征点检测方法，在移动机器人定位与地图创建方面应用广泛。但是SIFT特征计算复杂，大量的冗余特征点在匹配过程中并不需要，因此有必要在不影响特征匹配的前提下减少特征点数目。本文对经典SIFT算法详尽的搜索方法进行改进并引入到Monte Carlo定位方法中，提出一种新的基于迭代SIFT的Monte Carlo定位方法（Iterative SIFT Monte CarloLocalization，ISIFT-MCL）。ISIFT-MCL方法既保证对图像光强变化、尺度缩放、三维视角变化和噪声干扰的不变性，又减少SIFT算法产生的不必要的特征点及其对应的特征点抽取和匹配的时间。在机器人定位过程中，里程计信息和环境特征的感知信息通过粒子滤波相融合，解决定位过程中的多峰问题，获得更好的定位实时性。单一的传感器大多情况下只能提供部分外界信息，移动机器人很难根据单一传感器信息做出精确的判断。利用多传感器信息融合技术对各种信息进行综合，可以获得互补的、冗余的、完整的环境信息，使得机器人能够鲁棒地定位。为了有效地利用视觉和激光测距信息使机器人准确定位，在考虑单目视觉和激光测距传感器的基础上，提出一种融合视觉信息和激光测距信息的移动机器人粒子滤波定位方法。首先，提出一种基于自适应曲率计算的地图创建方法，利用自适应曲率估计函数从激光扫描数据中同步分割出直线段、曲线段和角点特征，然后对分割好的特征进行提取和描述，创建环境特征地图，利用粒子滤波方法进行全局定位。其次，提出一种可用于机器人定位的图像检索的新方法：选取高斯混合模型矢量量化(Gaussian Mixture Vector Quantization，GMVQ）方法对机器人训练阶段采集的每一幅环境图像提取GMVQ颜色直方图。数据库中的每一幅图像有效地构成一个特定的类。与一般直方图不同之处在于GMVQ直方图记录了颜色的实际空间分布，更有利于图像的匹配和检索。采用欧氏距离进行图像GMVQ直方图的相似性度量，将机器人采集的当前环境图像和数据库中的图像一一匹配，检索出与定位环境最相似的图像用于机器人视觉定位。最后，在前两种方法研究的基础上提出一种激光扫描和图像检索相结合的机器人粒子滤波定位方法。在粒子滤波定位感知更新阶段采用概率方法进行感知信息的融合，避免了异质传感器信息物理意义不同不好融合的问题。测距传感器信息的不确定性由视觉传感信息修正，而视觉传感器识别信息的缓慢由测距传感器信息弥补，使机器人更加适应复杂的室内环境。机器人在定位过程中，由于机器人本身的不确定性和所处的环境的不可预测性，使得定位变得困难。概率理论较好地解决了移动机器人定位问题，但是现有的粒子滤波算法需要大量的粒子才能很好地描述后验密度分布；另外，重要性重采样导致粒子集包含了许多重复粒子，造成了粒子的贫化。针对粒子滤波算法存在的以上问题，提出了一种基于区间分析的机器人粒子滤波定位方法。多个粒子连续分布于整个区间内，区间粒子的权值对应的是区间的权重，而不是传统意义上的每个粒子一一对应各自的权重。区间粒子滤波器主要涉及区间运算，约束满意度处理等。区间分析能很好地处理非高斯白噪声和测量误差。区间分析的引入很好地解决了粒子滤波器需要大量粒子的问题，使得粒子更快地逼近机器人的真实轨迹，在同等精度要求下减少所需的粒子数。FastSLAM算法采用Rao-Blackwellised粒子滤波器递推估计机器人的状态和路标，地图创建部分采用N个独立的EKF（Kalman Filter，EKF）滤波器实现。EKF对非线性系统进行一阶线性化时存在线性误差，误差累积可能造成滤波器的不收敛；同时也存在粒子的贫化和退化问题。针对以上问题，提出了一种FastSLAM框架下的粒子群优化的同步定位与地图创建的方法。将粒子群优化思想引入到粒子滤波算法中，利用粒子群优化粒子的后验位姿建议分布，解决了粒子滤波器需要大量粒子和粒子贫乏的问题。针对EKF存在线性化误差的结构性弱点，路标位置的估计和地图的更新引入无迹卡尔曼滤波方法（Unscented KalmanFilter，UKF），并且引入自适应重采样方法来减低粒子的退化概率。对比实验分析可知，在相同粒子数的情况下，获得了比FastSLAM更高的定位和地图的精度。最后，对全文进行了总结，并且展望了进一步的研究方向。