自主式水下机器人(AUV)作为人类探索海洋的重要设备,目前已广泛应用到了北极探险、管道检测和船体检测等多种任务中。准确的导航与定位对于AUV在水下环境中进行安全作业起到了决定性作用,而同时定位与地图构建算法(Simultaneous Localization and Mapping,简称SLAM)正是关键所在。SLAM技术为水下移动观测平台在未知的海洋环境下,实现真正意义的自主导航提供了可行性方案。尽管SLAM技术的大部分问题已得到广泛而深入的研究,如扩展卡尔曼滤波EKF(Extended Kalman Filter)、扩展信息滤波EIF (Extended Information Filter)、稀疏连接-树滤波TJTF (Thin Junction Tree Filter)等等,但它们在计算复杂度、一致性和数据关联等方面仍存在诸多不足。2008年,Michael Kaess和Frank Dellaert用平滑代替滤波,提出了递增平滑与地图构建算法(incremental smoothing and mapping,简称iSAM)。iSAM算法通过递增式更新提高计算速度,利用非线性最优化控制误差水平,使用部分协方差支持数据关联。本文正是在iSAM算法的基础上,针对机器人运动观测时的定位误差累积问题,提出了“同时定位、地图构建、路径规划”新技术——基于感知驱动的自主导航算法PD-SLAM(课题来源于“国家863计划”,项目编号：2014AA093410)。PD-SLAM算法的核心思想是“感知驱动”。利用感知驱动模块,对传感器继续探索未知区域还是回访之前区域做出智能化选择,为解决运动观测时定位误差累积这一关键技术难点提供了可行性方案。主要内容包括：图像显著性的计算及挑选；回访路径的生成;回访行为的确定准则等。本论文首先介绍了水下导航技术和同时定位与地图构建算法的发展现状；其次对iSAM算法的原理及实现过程进行了详细介绍;然后在介绍了图像显著性水平的基础上,详细阐述了基于感知驱动的自主导航算法(PD-SLAM);最后,通过仿真实验对PD-SLAM算法中的感知驱动导航模块(PDM)进行了可靠性验证,阶段性的实现了PD-SLAM的自主导航性能。