自主式水下机器人（Autonomous Underwater Vehicles, AUV）是人类开发海洋的重要工具，有着广阔的发展前景，但也面临着许多技术挑战，导航问题就是其中之一。当前许多导航方式需借助GPS、基线等设备或需要先验地图，这严重制约着AUV在未知水下环境中导航的自主性。同时定位和地图构建(Simultaneous Localization and Mapping, SLAM)技术能够实现AUV的真正自主导航，是水下机器人领域研究的热点。传感器获取环境信息是解决SLAM问题的第一步，对环境描述的越精确，数据量就越大，实时性也会随之降低，因此对传感器数据进行适当处理显得尤为重要。研究实时性好、精确度高的SLAM算法成为当前AUV领域亟待解决的问题；另一方面如何处理传感器数据，以解决环境特征描述性差、数据关联难度大等问题也迫在眉睫。针对这些问题，本文将深入研究融合了传感器数据预处理的稀疏化扩展信息滤波（Sparse Extended Information Filter, SEIF）SLAM算法，该算法中的稀疏化步骤是点睛之笔，它使算法可以恒时执行，而与地图中路标数无关，这极大地提高了计算效率。本文首先关注AUV和SLAM的研究现状与发展前景，并对当前主流SLAM算法进行比较；然后探讨应用最广泛的SLAM算法——EKF-SLAM的基本原理和实现过程；在此基础上，着重研究SEIF-SLAM算法并进行了仿真验证。接下来，在分析各种声纳优缺点之后，结合本文采用的单波束扫描成像声纳的工作原理，提出了去噪、稀疏化和校正等声纳数据预处理方法，进一步提高了AUV导航的实时性和精确性。实际数据对上述导航算法和数据处理方法的验证结果及分析表明：所采用的算法对AUV位姿和地图估计均有较好效果，满足实际航行需求；传感器数据预处理进一步提高了AUV导航的有效性和准确性。最后对本课题进行总结，指出今后的研究方向。