随着科学技术的高速发展,移动机器人逐渐成为大家的关注焦点,而同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术可以辅助移动机器人执行路径规划、自主探索等任务,在自动驾驶、无人机导航以及智能家居等领域得到了广泛的应用。本文基于改进的容积卡尔曼滤波（Cubature Kalman Filter,CKF）,针对不同的噪声情况,设计了两种SLAM算法,并利用无线传感网络（Wireless Sensor Network,WSN）的观测信息,进一步提高算法性能。本文主要进行了以下研究:首先,在已知噪声统计特性的场景下,提出了改进的CKF-SLAM算法。基于矩阵求逆的思想,结合奇异值分解对SLAM算法中的协方差矩阵进行分解,在不改变复杂度的同时,提高了SLAM算法的稳定度和估计精度。其次,在噪声统计特性未知或者时变的情况下,提出了基于强跟踪（Strong Tracking Filter,STF）和矩阵对角化自适应的CKFST-SLAM算法。在CKF-SLAM算法中引入STF和无偏噪声估值器。由于噪声估值器在高维系统中容易引发系统不正定,利用矩阵对角化求解SLAM算法的平方根矩阵,在保持矩阵空间特征不改变的同时,能够有效避免算法中断,进一步增强了SLAM算法的精度和稳定度。最后,在WSN的环境下,提出了借助WSN的WSN-ICKF-SLAM算法。利用WSN中的传感器节点代替环境特征,通过节点观测到的信息替代SLAM算法中的观测信息,能够有效克服算法误差,提高了移动机器人的定位精度和SLAM算法的估计精度。利用MATLAB进行仿真实验,将上述所提的三种方法同现有常见的方法进行对比实验,实验结果验证了本文所提的算法的有效性。