得益于现代科技和人工智能的发展,机器人技术替代传统生产力已成为一大研究趋势,人工智能背景下的同步定位与建图（SLAM,Simultaneous Localization and Mapping）算法便是顺应时代潮流和需求的产物。在当今社会中,SLAM算法已经广泛应用于人类的生活中,带来了极大的便捷。如:水下探测、无人驾驶以及自动导引车等。SLAM算法的结构主要分为前端和后端两大部分,前端主要借助深度或双目摄像头来采集数据,帮助算法与外界环境进行交互。后端则负责将前端获得的传感器信息进行进一步的处理,以得到精准的姿态信息并建图。SLAM中的后端算法,主要分为两大类:卡尔曼滤波算法和非线性优化方法,本文的研究重点主要针对于卡尔曼滤波算法。在早期研究中,SLAM算法的应用背景主要以特征明显,环境构造简单的实验室为主,而作为自适应滤波的延伸与扩展的卡尔曼滤波算法为SLAM后端做出了巨大贡献。随着SLAM应用场景的丰富和复杂化,传统卡尔曼滤波算法作为其后端的不足也逐渐展现出来,传统卡尔曼滤波算法仅适用于高斯环境,但SLAM实验环境以非高斯噪声为主,这会导致非高斯环境下的SLAM后端滤波效果不理想。因此,本文主要针对传统卡尔曼滤波算法在非高斯噪声下作为SLAM后端滤波效果不理想这一现状展开,以环境构造较为简单的室内场景为研究背景,介绍了常见的SLAM后端算法的基本原理;并结合信息论中最大相关熵能够获取高阶信息的优势,提出了基于最大相关熵的卡尔曼滤波算法作为SLAM后端。文章的主要内容如下:（1）首先使用广义最大相关熵作为代价函数,并结合多核方法处理传统核自适应滤波器的稳定性问题,进而提出了多核广义最大相关熵算法,并采用矢量量化的方法进一步降低算法的计算复杂度,提出了量化的多核广义最大相关熵算法。最后在混沌时间序列预测下进行仿真,验证了所提算法在精度和鲁棒性上的优势,为开发适用于非高斯噪声的基于最大相关熵卡尔曼滤波的SLAM后端算法做准备。（2）在构造简单和特征明显的室内场景中,卡尔曼滤波算法作为SLAM后端算法常常面临精度不足以及无法对抗非高斯噪声的缺点。本文将卡尔曼滤波算法与最大相关熵结合,提出了基于最大相关熵卡尔曼滤波的SLAM后端算法,并分别在高斯噪声和非高斯噪声环境下进行仿真实验。仿真结果表明,所提出的改进算法在非高斯噪声下具有良好的鲁棒性,提高了卡尔曼滤波算法作为SLAM后端算法的性能。