随着人口数量的增长,陆地可利用资源变得越来越少,人们的视线开始转向海洋,但是海洋世界存在气压大、可见度低、环境恶劣等问题,人们无法轻易进入海洋世界。为解决这一难题,人们开始研究出一种新型自主性水下机器人(Autonomous Underwater Vehicle,AUV)使之成为开采海洋资源的水下工具。但是,AUV在进行水下任务时存在两个缺陷：第一,在没有具体的环境信息的条件下,水下机器人是无法进行水下作业、定位、路径规划、行为决策等一系列的自主性任务；第二,在水下环境中还存在环境极其复杂多变、干扰多、噪声大,仅仅凭借里程计等内部传感器是无法实现高精度的导航技术。同时定位与地图构建技术(Simultaneous localization and mapping,SLAM)通过建立运动模型和观测模型对水下机器人的定位信息和外界环境信息进行提取及更新,实现AUV导航。目前,为了实现AUV同时定位与环境地图构建技术所应用范围最广泛的方法就是扩展卡尔曼滤波算法(Extended Kalman Filter,EKF),但是,随着对EKF算法的深入研究,发现EKF算法存在局限性：一是EKF基本原理是将非线性系统线性化,然后用线性系统进行卡尔曼滤波,解决非线性系统状态估计问题,但是在非线性系统线性化过程中忽略了该过程引起的模型误差,将引起滤波误差。另一个局限是它要求噪声统计是已知的,然而在大多数非线性系统中噪声统计是未知的,如果把错误的噪声统计(均值和方差)应用到EKF算法中,会使滤波误差增大,甚至使滤波发散。为解决这些局限性,提出构建一种基于虚拟噪声模型来补偿EKF算法。本文重点阐述了基于虚拟噪声补偿的EKF算法的基本原理,并且搭建matlab仿真实验平台,对传统EKF算法和基于虚拟噪声补偿的EKF算法在模拟水下环境的条件下进行对比,并用图表对照来证明改进算法的有效性、可行性、优越性。仿真实验证明,基于虚拟噪声补偿的EKF算法显著提高了非线性滤波的性能,解决了AUV应用SLAM技术精确性和鲁棒性的问题。