随着海洋探测、资源开发的不断进步,自主式水下机器人(Autonomous Underwater Vehicle, AUV)成为海洋技术研究的热点。自主导航是AUV的关键技术之一,精确的导航和定位是保证其安全、高效完成任务的前提。同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法是实现自主导航的重要方式,它不需要先验地图,仅依靠机器人自身携带的各类传感器就可以感知环境,提取有用的环境特征,实现自身定位并构建环境地图。SLAM的实现可以有多种方式,本文主要对基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)的SLAM算法进行研究。SLAM主要由状态估计和数据关联两部分组成,其中,状态估计是指对机器人定位及环境特征位置的估计过程;数据关联则是指找出不同时间、不同观测点获得的环境特征之间的关系,最终确定这些特征是否对应物理环境中的同一实体。状态估计和数据关联是两个相互影响的过程,正确的数据关联是实现准确状态估计的前提,因而,数据关联在SLAM算法中起着关键性的作用。本文描述了数据关联的基本理论,并利用实验室自主研发的AUV平台,结合EKF-SLAM算法,对各项数据关联技术进行研究,重点比较了单一兼容最近邻(Individual Compatibility Nearest Neighbour, ICNN)和联合兼容分枝定界(Joint Compatibility Branch and Bound, JCBB)两种常见数据关联算法的优缺点。通过仿真及实际海试数据的处理,证明了JCBB算法的优势及鲁棒性,最终实现了AUV的精确定位及水下地图的准确构建。