自主式水下机器人（AUV）无疑将发展成为未来海洋监测和调查的主要工具。目前AUV导航定位主要依赖声学基线技术，综合费用大、工作范围小、费时费力，是阻碍其广泛应用的主要瓶颈。本文旨在探索AUV在脱离外部支持框架下，采用同时定位与地图构建（SLAM）方法实现未知环境中的自主导航定位。SLAM方法在小尺度环境下已经得到成功应用，然而将其应用于大尺度环境AUV的自主导航与定位仍需攻克三个难点：一是算法数据关联问题；二是算法估计一致性问题；三是算法计算复杂度问题。本文即围绕这三个核心问题开展研究工作。针对传统单一兼容最近邻（ICNN）和联合兼容分枝界定（JCBB）数据关联算法的缺陷，本文提出一种适用于大尺度环境中的SLAM数据关联算法迭代分类匹配（ICM）方法。ICM通过使用四元数方法从初次关联成功的测量-地图特征集中提取出二者间的最小二乘匹配向量，并将该向量用于对初次关联失败的地图特征集进行匹配更新，以此来削弱不精确的机器人位姿估计对数据关联结果的影响。更新后的初次关联失败测量-地图特征集作为输入再次进行数据关联直到满足均方误差检测。仿真及维多利亚公园数据集实验验证了ICM算法是一种适用于大尺度环境的SLAM数据关联算法。为了解决大尺度环境中SLAM算法易出现估计不一致问题，在对经典EKF-SLAM系统进行可观测性分析基础上，总结出系统可观测性与系统一致性之间的关系，揭示SLAM算法出现估计不一致问题的深层原因。通过引入局部一致性的概念，设计出一种满足局部一致性约束的LCEKF-SLAM估计器。仿真及海试实验将LCEKF-SLAM与传统的以及当前比较流行的几种估计器进行了详细比较，估计误差、一致性和算法计算复杂度三方面的实验结果均显示出LCEKF-SLAM估计器的优越性。为满足AUV-SLAM在大尺度环境中实时应用的需求，提出一种基于子地图思想的混合SLAM方法，其具体内容包括：局部子地图建立过程采用添加了局部一致性约束的LCEKF-SLAM估计器，并引入多约束子地图建立策略；局部子地图联结过程则选择计算效率较高的SEIF算法，并引入D&C子地图联结策略进一步降低整个算法的计算复杂度。仿真、维多利亚公园数据集和海试实验证实基于子地图思想的混合SLAM方法在极大降低算法计算复杂度的同时，还兼顾算法的精确性和一致性。论文最后对全部研究工作进行了总结，并提出工作的不足以及今后可以改进的地方。