随着机器人技术的不断发展,智能移动机器人目前己走进人们的日常生活,并在各个领域发挥着重要作用。移动机器人只有准确地知道自身在所处环境中的位置,才能更加自主有效地为人类服务。因此,自定位成为自主移动机器人最重要的能力之一。　　视觉系统能够为移动机器人提供最丰富的感知信息,同时也具有最接近人类的环境感知方式。因此,基于视觉的机器人自定位问题吸引了大量研究人员的参与,同时也取得了大量的研究成果。但是,机器人移动中所获取的图像大都存在尺度、光照、人和物体运动所导致的大量的不确定因素,传统的视觉方法不能很好的处理。概率图模型作为一种近年来流行的统计学习方法,对上述不确定性问题有很好的描述及处理能力。本文将概率图模型方法中的概率主题模型引入到基于地点识别的机器人自定位问题中,对基于概率主题模型的机器人地点图像识别方法进行了详细的研究。主要内容包括:　　(1)基于概率主题模型的地点图像识别方法:首先,用SIFT算法提取图像的局部特征,并将特征进行聚类、分配,得到图像的基于聚类中心的频数表示;然后采用概率主题模型中的潜在Dirichlet分布模型(Latent Dirichlet Allocation,LDA)对图像的频数特征进行学习,得到图像潜在主题的概率分布;最后采用最近邻方法对图像进行分类。在机器人所拍摄的室内地点图像数据集和室外地点图像数据集上的实验结果表明,该方法都能很好地解决光照、尺度变化,以及人和物体移动所导致的不确定性。　　(2)基于量化潜在Dirichlet分布模型(Quantified-LDA,QLDA)的地点图像识别方法:为了提高模型利用有效特征的能力,将LDA模型进行改进,引入量化函数,提出了量化潜在Dirichlet分布模型(QLDA)。与LDA模型相比,QLDA能够将特:征分级量化,突出显著特征,忽略非显著特征,算法的复杂度大大降低,并且在识:别性能上有所提高。实验结果表明,基于QLDA模型的地点图像识别方法的性能大大优于原始LDA模型。　　(3)基于快速Variational推断的地点图像识别方法:传统的Variational推断参数过多,当图像特征维数很高时,学习算法的复杂度呈倍数增长,对于高维度的大数据集来说,算法效率很低。针对上述问题,对原始Variational推断进行改进,提出了基于QLDA模型的快速算法,解决了算法由于计算量过大而导致的效率低的问题。实验结果表明,基于QLDA模型的快速地点图像识别算法能够在不显著降低算法识别准确率的同时大大提高识别的效率。　　(4)融合小波多尺度分析的主题模型图像识别方法:将多尺度分析的思想引入基于主题模型的图像识别方法中,首先将图像进行多级小波分解,得到不同尺度下的子图像分量,然后通过详细的实验寻找最适合特定类型图像识别的子图像分量,并采用该特定子图像进行后续处理和识别。在多个数据集上对算法有效性进行了实验验证,结果表明,融合小波多尺度分析的主题模型图像识别方法能够在显著提高算法识别性能的同时大大提高识别的效率。　　(5)利用MATLAB GUI技术构建基于概率主题模型的地点图像识别软件原型系统。该系统能够实现室外和室内地点图像的识别,同时,可视化地给出各种算法的识别性能比较。