近年来,随着人工智能的不断发展,移动机器人在各个领域得到广泛的应用。而估计当前位置是这些机器人的关键任务,称为机器人定位。定位是机器人技术中的一个重要过程,也是移动机器人领域的研究热点。基于概率定位算法主要有卡尔曼滤波定位、马尔可夫定位及粒子滤波定位。其中粒子滤波算法在处理非线性非高斯系统方面具有更高的准确性和鲁棒性,成为目前的主流算法。传统基于粒子滤波的定位算法存在概率系统模型构建和学习的困难和挑战。随着深度学习的飞速发展,基于深度学习的粒子滤波定位算法受到国内外学者们的广泛关注。本文将深度学习算法与传统的概率模型相融合进行改进,并将其应用于移动机器人定位研究。本文的具体研究内容如下:（1）针对机器人定位问题,对传统的蒙特卡罗定位算法进行研究。由于蒙特卡罗定位算法本身存在粒子退化问题并且不能解决全局定位失效中恢复问题,对增强型蒙特卡罗定位算法和自适应蒙特卡罗定位两种改进算法进行系统阐述。并在ROS环境下对自适应蒙特卡罗定位算法进行实验和分析,验证其在全局定位中的有效性。（2）提出一种自适应软重采样粒子滤波网络（Adaptive Soft-Resampling Particle Filter Network,ASRPF-Net）,以循环神经网络为基础框架,实现网络的整体可微,允许端到端训练,规避传统模型学习困难的问题。该网络主要由运动模型、观测模型和自适应软重采样模型组成,将它们融合到一个RNN单元中,在一个循环神经网络中编码一个粒子滤波算法用来学习端到端的时序状态估计的模型。本文详细介绍自适应软重采样粒子滤波网络的工作步骤,并将其运用于House3D和Deep Mind Lab实验环境中,将所提模型与其他方法进行对比,发现自适应软重采样粒子滤波网络在误差、定位成功率以及定位效果上都优于其他方法,并且在全局定位任务方面表现很好。（3）为了缓解对标注数据的需求和模型获得真实状态可能代价高昂的问题,提出一种自适应软重采样半监督粒子滤波网络模型,该模型可以在大部分真实状态未知时改进状态估计。由于粒子滤波的重采样过程不可微,训练时会产生零梯度而停止梯度计算,不能为后面的训练提供梯度信息。该模型采用一种可微重采样方法,使粒子在训练过程中产生的梯度信息能进行传播,提高机器人定位精度。利用Deep Mind Lab中的模拟环境进行仿真实验,在当很大一部分地面真实数据未知时,所提算法在全局定位和跟踪的状态估计任务上都优于其他模型。并且所提算法进一步改善粒子退化问题,从而提高定位的精度和鲁棒性。