在机器人领域中,同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人研究领域的热点与难点问题,引起了许多研究者的关注。本文在研究国内外SLAM算法的基础上,对SLAM算法进行了深入的分析和研究,并对算法中所存在的不足作出了一定改进,提高了机器人定位和地图构建的估计精度及执行效率。具体的研究内容如下:首先,阐述了SLAM问题的基本模型并对其所涉及的机器人坐标系进行了定义,在此基础上建立了移动机器人的运动模型、感知模型,并利用所搭建的模型,为后续的研究工作打好理论基础。其次,着重研究了基于贝叶斯理论的粒子滤波,阐述了粒子滤波现存的问题及解决方案,继而推导出粒子滤波的定位算法。最后在仿真环境下证明了粒子滤波定位算法在处理非线性问题的性能优于其他算法。然后,在粒子滤波的基础上,针对FastSLAM算法中粒子退化和粒子贫乏导致移动机器人定位精度下降的问题,本文将萤火虫优化思想引进到FastSLAM算法,利用改进后的萤火虫算法(Firefly Algorithm,FA)优化粒子的采样过程,使得粒子集在重采样之前就趋向于移动机器人的真实位姿,提高了移动机器人的SLAM性能。在路标特征地图的环境下,将FastSLAM算法、PSO-FastSLAM算法FA-FastSLAM算法在估计机器人位姿和路标特征上进行了比较,验证了该算法的有效性。最后,由于栅格地图不需要事先定义路标且容易创建维护,本文阐述了基于栅格地图的FastSLAM算法,引入了融合最新观测信息的提议分布,同时将改进的萤火虫算法扩展进来,进一步调整和优化粒子集,使其能够更快速地分布在移动机器人的真实位姿附近,同时缓解了粒子退化现象。最后通过SLAM仿真验证了FA-FastSLAM算法的可行性和有效性。