微小型水下机器人厘米级别的高精度作业具有重要应用价值。为了满足高精度控制的需求,需要获得高精度与噪声小的位置、姿态和速度信息,同时这些状态信息还需要具备长时稳定的能力。目前在传统的状态估计方式中,DVL(多普勒测速仪)和INS(惯性导航系统)结合的DR(dead-reckning)方案应用最为成熟,但该方案存在造价昂贵,靠近水底有死区,浅水中噪声过大的问题。状态估计存在的问题大大地制约了水下机器人的智能化发展,已经成为了水下机器人产业发展的瓶颈。在状态估计中引入视觉传感器信息是机器人导航时常用的一种方法,将计算机视觉应用到水下机器人状态估计中是一个很好的方案,具有价格便宜和精度较高的优势,但仍然存在鲁棒性不高,噪声稍大的问题。本文的研究重点在于给出一种鲁棒性强且精度高的结合视觉的水下机器人状态估计方法。本文主要完成的工作如下:首先,对水下机器人状态估计所用的传感器进行了介绍,包括双目摄像头、IMU、磁罗经、深度计和SBL定位系统。然后分别研究了摄像头的畸变模型和基于张正友标定法的单目标定方法以及双目标定矫正方法、IMU的零偏、刻度因数与轴向误差的标定矫正方法以及磁罗经的误差模型和标定矫正方法。其次,针对SBL量测噪声存在随着斜距的增加不断增加的问题,采用Sage-Husa自适应卡尔曼滤波对视觉里程计(VO)、SBL、磁罗经和深度传感器数据进行融合,将获得的水下机器人状态估计结果与传统卡尔曼滤波获得的结果进行对比,结果说明Sage-Husa自适应卡尔曼滤波的方法性能明显优于基于卡尔曼滤波的方法。最后,采用动力学模型辅助的状态估计方法对自适应卡尔曼滤波进行了优化,该改进方法首先采用实验法对水下机器人系统的动力学模型进行建模,然后将通过水下机器人动力学模型推算的实时速度作为量测加入到滤波器的量测向量中。虚拟环境的仿真实验结果说明,改进后的方法极大地提升了状态估计的精度,使得该系统满足了水下机器人高精度作业的需求。