近年来，移动机器人即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)已经成为智能机器人研究领域的热点话题。应用传感器感知的信息实现可靠定位是自主移动机器人最基本、最重要的能力，也是机器人研究中备受关注富有挑战性的一个研究主题。环境地图的实时构建和机器人的自定位是未知环境导航中的两个关键问题，本文的主要工作如下：首先介绍了SLAM问题设计的两个关键技术，即环境地图的典型表达及机器人位姿的不同估计方法。针对单独使用里程计进行长距离定位会产生较大的角度误差的问题，本文运用了一种激光传感器和里程计融合的定位导航方法：采用一种分层聚类的方法提取激光扫描数据中的线段特征，并用最小二乘法拟合直线。再用提取出的直线特征对前后帧扫描数据进行ICP匹配，以修正里程计的角度，完成栅格地图的建立。为了从降低数据关联的复杂度、提高实时性的角度出发，在贝叶斯栅格地图和粒子滤波定位这两种技术的基础上，改进了基于Rao-Blackwellized粒子滤波器的FastSLAM算法中的重采样部分。使用正则化方法进行重采样，即RPF，把离散的后验概率密度近似地还原成连续的分布，以来避免重采样中出现的样本枯竭的问题。仿真结果表明，在数据融合不确定性非常大的环境中，相比卡尔曼与粒子滤波器能够更准确的定位。最后，利用移动机器人平台MT-R对本文提出的SLAM方案进行了大量的实验。机器人采用本方案可以在室内环境中创建特征地图，同时利用该地图进行定位，扫描匹配方法可以进一步提高所创建地图的精度。实验结果验证了方案的有效性。