定位是移动机器人研究中一项重要的内容，也是实现导航等其他功能的前提和保证。在移动机器人定位中，较多采用的传感信息是视觉与超声信息。前者具有信息量大，后者具有处理速度较快的特点。但是，二者都存在容易受环境噪声干扰的缺点，从而降低了定位算法的鲁棒性。针对该问题，考虑到机器学习具有良好泛化能力的特点，本文从机器学习的角度对基于视觉与超声信息的移动机器人定位进行了研究，主要内容如下： 首先，对移动机器人的发展和传感系统、机器学习在移动机器人定位中的作用以及定位方法进行了综述，同时给出了本文的选题背景、主要研究内容和研究意义。 其次，对于移动机器人视觉而言，图像分割算法需要适应机器人工作环境、光线、视觉传感器角度等因素带来的图像采集质量的变化。一般情况下，在彩色空间中出现频率较高的像素点，其各颜色分量在分量轴上也有较高的统计值。基于此考虑，在灰度图像自适应阈值分割的基础上，提出了基于分量直方图的模糊熵图像自适应分割方法；并将所获得的分割结果作为后续聚类分割的初始类中心。 第三，在数据聚类中，传统竞争学习需要在学习前正确地指定数据集的类数目，否则分类效果很差。为解决此问题，在OPTMC及OPTOC学习策略的基础上，本文提出MPTOC策略，以及基于此策略的竞争-分裂学习算法。同时，以基于分量直方图的模糊熵方法的分割结果作为初始类中心，采用该方法实现了移动机器人视觉图像的自适应聚类分割。 第四，以上述视觉图像分割方法为基础，在我们开发的移动机器人实验平台CASIA-1上实现了室内环境下基于视觉路标的拓扑图定位，其中视觉路标选为楼道中的门及门牌。 第五，从模式分类的角度出发，将移动机器人的全局定位转化为在传感器采集信息空间内的子环境分类问题。首先，采用Gabor函数滤波器提取视觉图像的纹理特征，然后使用支持矢量机方法分别提取视觉与超声信息中环境的全局特征，通过构造适当的定位分类器实现移动机器人的室内全局定位。 最后，对本文所取得的成果进行了总结，进一步指出需继续开展的工作。