移动机器人的定位与导航是当前人工智能领域研究的关键技术,本文采用多传感器信息融合的方式来提高移动机器人定位导航精度,所以研究具有重要的实际应用价值。首先,对本文研究基于的ROS操作系统进行了阐述,对移动机器人定位与导航的主要技术进行了研究和分析,在此基础上,构建了基于多传感器信息融合的移动机器人定位与导航系统方案。其次,在机器人定位问题研究中,针对传统的基于里程计数据的定位算法存在较大的定位累计误差问题,本文提出了一种多传感器信息融合的自适应蒙特卡罗定位（Adaptive Monte Carlo Localization,AMCL）算法,该算法采用扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法将惯性测量单元（Inertial measurement unit,IMU）算法的数据融入到轮式里程计数据中,利用IMU的角度数据对轮式里程计的数据信息进行校正并优化,并将融合后得到的机器人位姿状态信息作为AMCL算法的运动模型的输入,根据高斯似然域模型以及激光测量数据计算粒子权重,最后从粒子集中选取权重值最大的粒子作为当前机器人最优位姿。通过实验验证了本算法的有效性。然后,在路径规划研究中,针对蚁群算法搜索前期具有较大的盲目性,易陷入局部最优的问题,提出了基于象限判别思想改进后的蚁群路径规划算法。该算法通过目标与机器人当前位置的象限关系,得到了基于象限判别思想的信息素初始差异化分布策略,缩短算法的搜索时长;在启发函数中,引入下一节点与目标节点的欧式距离和所走路径中的栅格数目,提高局部路径的影响;针对由于信息素挥发因子不变导致信息素的路径导向作用不明显的问题,提出基于自适应方法的信息素浓度更新规则,引入信息素动态变化因子对信息素浓度进行合理范围内的控制,提高信息素浓度对于路径的引导作用,提高算法基于全局角度的搜索能力。实验表明,本算法兼具搜索效能较高、性能稳定等优点,能够经过较少次数的迭代规划出一条从起点到终点的最佳路径。最后,自主搭建了多传感器信息融合的机器人系统平台,并在平台上验证了本文所提出的多传感器融合定位及路径规划相关算法,实现了基于多传感器信息融合的机器人定位和导航系统。