在未知环境中,移动机器人的即时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是机器人导航领域最重要的研究课题之一。随着近些年深度学习技术的不断发展以及在图像处理方面的优异表现,基于深度学习技术的视觉SLAM也渐渐被关注。而定位技术作为SLAM中最主要的组成部分,对定位技术的研究也成为机器人技术研究的重要方向之一。本文在对现阶段机器人定位技术和深度学习算法研究的基础上,对传统的基于贝叶斯滤波的机器人定位算法进行讨论,分析传统定位算法存在的缺陷。本文将深度学习算法结合传统的概率模型,提出了一类新型的算法模型。将传统的概率模型算法与神经网络结合,使新的模型算法具有很强的学习能力,具有很好的定位效果。本文的具体研究内容如下:（1）首先对传统的贝叶斯滤波定位算法进行系统阐述,并对传统的贝叶斯滤波定位算法进行实验和分析,发现传统算法的局限性和不足。（2）本文提出了梯度传播粒子滤波网络（Gradient Propagation Particle Filter Network,GPPFN）,它将粒子滤波嵌入到神经网络中进行端到端训练。该模型主要由观测模型和运动模型组成,每个模型由多个具有网络结构的模块构成,它们通过神经网络进行优化以达到整体最优的效果。本文详细说明了梯度传播粒子滤波网络的工作步骤,并将其运用于Deepmind lab三个实验环境中。将该模型与其他定位方法的训练数据进行对比,发现梯度传播粒子滤波网络在误差、错误率以及定位效果都优于其他模型。（3）信息输入的多元性可以提高机器人定位的精度,梯度传播粒子滤波网络模型的输入只有观测信息和运动信息。为了充分利用地图中所含有的信息,本文介绍了一种基于语义地图的粒子滤波网络（Semantic Map Particle Filter network,SMPF-net）。实验基于SUNCG数据集,并且在House3D模拟器中进行实验。该模型将语义地图、观测信息与里程计信息作为输入源,其中语义地图进行了不同的标记。将粒子滤波网络使用不同的传感器作为输入源比较定位效果,进一步将该方法与其他定位方法进行比较。通过改变初始粒子的数目及设置不同的初始状态获得机器人最终定位的效果。通过多方面的比较得出语义地图粒子滤波网络的定位效果比其他模型更好。但是粒子滤波网络也存在不足,模型缺少决策机制,在训练时不能判断是否需要重采样过程。