定位问题是实现移动机器人自主能力的基本问题。然而，目前大多数定位方法都是被动的，即不考虑定位结果对机器人控制的影响。由于机器人运动的盲目性，导致定位效率低下。近年来受到关注的主动定位方法不仅考虑机器人的位姿估计问题，还研究如何根据定位结果控制机器人的行为以达到尽快确定自身位姿的目的。然而，由于目前主动定位算法需要计算所有可能的行走路径所产生的位姿的不确定度，导致算法的复杂度较高和实时性较差。我们使用蒙特卡罗定位算法作为基本的定位算法，并且围绕移动机器人主动定位问题，具体展开了以下几个方面的研究工作：（1）建立了与机器人定位相关的各种模型，包括坐标系模型、环境地图模型、里程计模型、运动模型及传感器观测模型等；分析了贝叶斯滤波和马尔可夫定位，重点研究了基本粒子滤波定位原理和算法，并且探讨了粒子滤波定位算法出现的粒子匮乏问题；介绍了基本的主动定位算法，重点分析了现有的几种改进主动定位算法，同时指出了它们的特点和不足之处。（2）提出了基于启发式搜索的多假设主动消除算法。在机器人全局定位开始一段时间后，代表机器人位姿的粒子常聚于若干簇，这表示机器人的位姿有多个假设。该算法首先利用自适应粒子聚类算法对粒子进行聚类，然后构造解空间树并确定结点的优先级；最后利用优先队列式分支限界法解决路径搜索的问题。算法的主要目的是通过主动控制机器人的运动使其能够识别出不同的粒子簇，最终使定位快速准确地收敛于真实的位姿。（3）当机器人定位收敛于单个粒子簇后，在某些环境中运动一段时间后，粒子簇会变得更加分散，也就是定位的精度会逐渐降低。针对这个问题，在上述工作的基础上，我们又提出了基于启发式搜索的定位精度主动提升算法。该算法与多假设主动消除算法的主要区别在于结点优先级的确定原则。该算法的目的是进一步提高定位精度，使其始终保持在较高水平。最后对全文进行了总结，并且对进一步的研究方向进行了展望。