智能移动机器人的研究课题在近年来越来越受到国内外各大科研机构和研究学者们的青睐,其中,目标识别和自主定位问题是实现机器人智能化和全自主的主要任务。各种识别算法和定位算法层出不穷,算法的鲁棒性、可靠性和实时性才是我们追求的目标。为此,本文分别对机器人的目标识别和自主定位方法进行研究,比较各种算法的性能,重点介绍了基于概率框架的蒙特卡洛粒子滤波定位方法。结合标准平台组比赛的不确定性因素和算法本身的性能,对算法中的样本退化现象和粒子贫瘠问题分别进行改进,并将改进算法用到NAO机器人上。首先,基于视觉的移动机器人的目标识别问题的核心是图像处理。本文首先根据NAO机器人的观测图像,对颜色进行学习分类并创建色表；接着将图像处理分成两个阶段：区域创建和特征提取,并分别提出了区域创建算法和分段聚类算法；最后详细介绍了图像中的关键特征的提取,即比赛中的三个主要目标边线、球门和球的识别问题。然后,详细讨论了NAO机器人的自主定位方法并分析其优缺点,从传统的特征匹配定位算法到当前比较主流的基于概率估计的定位算法。结合比赛实际情况,界定了NAO机器人的定位问题是一个非线性的多峰概率分布问题,而且机器人的“绑架”问题还会带来非高斯问题,据此选择了蒙特卡洛粒子滤波算法作为定位方法,并重点介绍了该算法的基本理论思想和流程。接着,对基本蒙特卡洛粒子滤波算法进行分析,讨论了实际执行过程中出现的样本退化现象。基于算法的计算复杂度和样本的数量之间的矛盾的考虑,针对这种现象,使用重要性采样重采样技术,但是这又将会产生新的“粒子贫瘠”问题。于是提出了本文的改进方法,介绍一种半采样半重采样的样本传播策略,并将该策略与蒙特卡洛粒子滤波算法结合起来形成了本文的改进算法。最后,重点介绍了本文提出的基于蒙特卡洛粒子滤波算法的改进算法的执行步骤,并将改进算法放到NAO机器人上进行实验,最后给出实验结果。实验表明,改进算法能够解决样本退化现象和“粒子贫瘠”问题,并且能够很好的实现NAO机器人的自主定位。