目前,移动机器人的研究范围已经从地面扩展到水下、空中、甚至太空和行星表面等多种环境,并取得了卓越的研究成果。在所有移动机器人的研究中,机器人自身的准确定位是一项最基本、最重要的功能。机器人自身定位的准确性依赖于环境地图的精确性,然而精确的环境地图重建又依赖于机器人自身定位的准确性。因此,环境地图的重建和机器人自身定位是一个相互关联的过程,为了实现机器人真正意义上的自主性,必须将这两个问题作为一个问题来进行考虑,以使得移动机器人同时具有准确的自身定位和精确的环境地图重建能力。本文针对这一问题,对环境地图重建,机器人定位以及多机器人地图融合算法分别进行了研究。第一章绪论部分首先阐述了当前移动机器人技术的研究现状,然后对移动机器人的环境地图重建方法和定位算法进行了分类,最后给出了本论文的研究内容和论文结构。第二章提出了一种新的二维激光测距仪数据分段算法。首先,构造了激光测距仪相邻数据点间的预测关联模型和测量模型。然后,利用无味卡尔曼滤波器对预测关联模型和测量模型的输出进行估计,通过测量模型的输出和实际二维激光测距仪的测量数据获得各个测量数据点的卡方分布,根据卡方分布进行测量数据中线段间断点的检测。最后,利用极坐标系下的最佳倾角和最佳距离对处于同一线段内的测量数据点进行线段拟合。第三章提出了基于稀疏扩展信息滤波器的机器人同步定位与地图重建算法中稀疏化操作的最佳时机,合适的稀疏化操作方法,以及稀疏化操作后信息矩阵最大内存占用量的解析表达式。首先,通过对每个可应用稀疏化操作位置的稀疏化操作时间消耗和信息丢失进行分析,得到了稀疏化操作的最佳时机。然后,对迭代稀疏化操作和批处理稀疏化操作的计算量进行比较得到了一种合适的稀疏化操作方法。最后,通过对信息矩阵的分析,得到了稀疏化操作后信息矩阵最大内存占用量的解析表达式。第四章提出了改进重采样方法和粒子采样函数的FastSLAM算法。首先,通过蒙特卡洛方法分析可知,粒子重采样和粒子采样函数是影响FastSLAM2.0算法中机器人位姿估计一致性的两个主要因素。然后,在粒子重采样判定时,综合考虑了粒子权重分布、各个粒子在上一时刻的测量残余一致性以及有效粒子数；在新粒子生成时,先利用指数等级方法选取父粒子,再根据交叉算子和选取的父粒子生成新的粒子。最后,构造了一种改进的辅助粒子滤波器,并将其作为FastSLAM算法的粒子采样函数。第五章提出了一种基于机器人间相对测量数据的地图融合算法。首先,根据机器人间的相互测量数据推导出了多机器人的地图融合模型。然后,利用扩展卡尔曼滤波器算法推导出了融合地图中机器人位姿和路标位置之间的协方差矩阵,利用融合地图协方差矩阵的迹作为参考坐标系的选择标准。最后,利用机器人运动过程中的最大可检测范围和融合地图中的路标位置最大可能范围得到可能重复路标范围,构造可能重复路标之间的测量模型,运用卡方分布检测重复路标,对重复路标使用扩展卡尔曼滤波器进行信息融合。第六章对本论文的研究成果和创新点进行了总结,并提出了进一步研究的方向和任务。