AUV是一种能够在复杂的海底环境下自主航行的无缆水下机器人。自主导航与定位是AUV自主性的最重要的体现,也是研究领域的热点问题之一。当AUV在水下运动时,同步定位与地图构建(SLAM, Simultaneous Localization and Mapping)算法不需要依赖先验的水下环境信息图,利用自身携带的声纳等外部传感器感知环境,提取环境中的有用信息,利用这些信息进行自身定位,与此同时,构建水下环境的特征地图。本文研究了基于粒子滤波器的SLAM算法(PF-SLAM)。基本的PF-SLAM算法存在缺陷:当运动噪声比观测噪声大时,易使滤波器发散,为此我们对算法进行了改进。同时,闭环策略贯穿于AUV的定位过程中,通过积极的进入以前曾参观过的区域,能够减小AUV的位置误差。首先提出了AUV的运动模型、观测模型等,介绍了PF-SLAM算法的后验概率,它可分解为机器人路径的后验概率和以后验概率为条件的环境特征的联合后验概率。然后对机器人的位姿采样、路标更新、采样权值计算及数据关联等问题进行了阐述。在数据关联中,如果路标是以前未被观测过的,需要增广地图,否则需要更新已观测过的路标。以此为基础我们对算法进行了改进:将最近的观测值加入到建议分布中,通过新的建议分布采样机器人的新位姿。由于权值的定义为目标分布与建议分布的比值,因此权值也需要进行更新。在实际环境中,当机器人沿不同路径回到曾经参观过的区域时,由于位姿和地图估计误差往往不能确定此区域以前是否曾被探测过,因此需要所谓的闭环检测。如果检测到闭环,通过以前创建的已知地图,可以修正当前机器人的位姿。同时为防止闭环过程中粒子的损耗,我们把信息熵作为中止标准,当信息熵小于某一门限时,就中止闭环行为,开始探索新的未知区域。仿真试验证明了闭环能减小其位置误差,从而构建出更准确的环境地图。