定位是移动机器人研究中一项重要的内容，也是实现导航等其他功能的前提和保证。机器人视觉是智能机器人的一个重要分支，主要完成对外界环境的感知、描述、识别和理解，是产生行为决策的一个重要条件。但是机器人视觉存在容易受环境噪声干扰的缺点，从而降低了定位算法的鲁棒性。针对该问题，本文对如何基于单目视觉在复杂环境下解决“感知混淆”和不确定性问题，对复杂环境下基于视觉的移动机器人定位进行了研究。　　 鲁棒的图像特征对于机器人的视觉定位而言至关重要。针对SIFT特征计算量大、生成数量多、缺少彩色信息的三个缺点，本文对特征点邻域的HSI空间信息与SIFT特征进行融合，提出了鲁棒的HSI-SIFT图像局部特征。并且分别利用HSI信息、室内环境下平面运动以及主元分析的方法对HSI-SIFT图像局部特征进行了简化。HSI-SIFT特征在复杂背景(照明变化、存在遮挡、视角变化、环境布置有动态变化)可以实现鲁棒地实现图像特征匹配。　　 对训练学习阶段采集的多幅图像的HSI-SIFT图像局部特征进行双向降维，利用一种改进的RPCL竞争学习进行聚类分析。采用离线训练的方法，得到混杂压缩的HSI-SIFT原型特征库。　　 几何度量建模和拓扑图结构建模各有优缺点。本文针对大范围的复杂环境，集成了几何度量和拓扑方法的分级混杂建模方法，提出了一种生成全局拓扑、由粗到精多尺度分解、最底层拓扑节点基于局部几何度量模型的等级式混杂模型。　　 提出了一种基于主元变化彩色图像自适应分割门牌识别的方法，以此实现移动机器人在该拓扑地图中的定位。另外通过提取当前测试图像中HSI-SIFT图像局部特征，加载HSI-SIFT原型特征库，利用投票的策略进行机器人的拓扑定位。采用基于隐马尔可夫模型和HSI-SIFT图像特征的定位方法，解决了感知混淆(perceptualaliasing)和图像变化(imagevariability)造成的拓扑定位不可靠问题。　　 针对单目视觉没有深度信息的缺点，借鉴双目立体视觉的原理，提出了基于单目视觉的移动机器人几何度量定位方法。