随着传感器、计算机和人工智能等技术的不断发展,具有思维、感知和动作能力的地面智能移动机器人在军事、民用和科学研究中得到了广泛的应用。其发展对国防、社会、经济和科学技术具有重大的影响力,已成为各国高科技领域的战略性研究目标。地面智能移动机器人能够成功完成任务的一个基本条件是能够在其所处环境中进行自主导航,而自主导航就必然要求它们能够进行自主定位。本文主要针对面向智能移动机器人的定位技术进行相关研究,使地面智能移动机器人在各种复杂环境下具有很好的自定位能力,具体的研究内容包括以下几个方面：地面智能移动机器人定位系统的主要功能是能够精确地确定其在地球表面的参考位置,而坐标系统是描述地面智能移动机器人运动,处理观测数据和表达其位置的数学和物理基础,论文首先讨论了地面智能移动机器人定位中常用的坐标系统,深入研究了WGS-84空间直角坐标、WGS-84大地坐标、高斯平面直角坐标以及机器人平面直角坐标之间的相互转换关系。介绍了GPS载波相位基本观测方程,在此基础上推算了载波相位双差GPS的坐标解算模型。为了保证差分GPS技术在大区域范围内的定位精度,研究了基于虚拟参考站(VRS)的差分GPS技术,详细推算了虚拟参考站上的双差观测值和单差观测值的生成算法。针对基于差分GPS/DR的组合定位问题,提出了一种尺度无色变换扩展卡尔曼滤波(SUT-EKF)算法,由于差分GPS/DR组合定位系统中的状态方程是非线性的,并且观测方程是线性的特点,将SUT预测移动机器人位姿,利用EKF融合最新观测值更新机器人位姿,该算法在状态预测阶段避免了计算Jacobian矩阵,从而有效地减小了线性化对非线性系统误差的影响。提出了一种基于尺度无色变换和迭代扩展卡尔曼滤波(SUT-IEKF)的同时定位与地图创建(SLAM)算法。由于数据关联对机器人的定位精度起着至关重要的作用,尤其是基于EKF的SLAM算法对错误的数据关联非常敏感,一种基于多算法匹配(MAM)的数据关联方法被提出,该算法利用粒子采样技术,将移动机器人位姿和特征地图位置联合概率分布以多个等权的粒子表示,各粒子进行独立的同时定位与地图创建,在相同观测数据的基础上,采用不同的数据关联方法,将会得到不同的关联集合,最后计算各关联集合的交集并作为这一观测的数据关联结果。研究了一种混合滤波的SLAM算法,并利用统计理论对其进行一致性评估,该算法框架利用粒子滤波技术将机器人SLAM中的联合后验概率分布因式分解为机器人路径部分及以机器人路径为条件的地图部分,使滤波器变成低维滤波,能够有效地提高计算效率,采用约束的无色卡尔曼滤波(CUKF)算法并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计移动机器人的位姿,进而通过扩展卡尔曼滤波(EKF)算法更新特征地图的位置。研究了分布式的多机器人协作定位方法,利用分布式的无色卡尔曼滤波(UKF)算法融合各机器人提供的相对观测信息,获取机器人的精确位置。详细讨论基于分布式无色粒子滤波(UPF)的多机器人协作同时定位与地图创建(C-SLAM)方法,在机器人群中,每个机器人运行一个粒子滤波器。当机器人群中某个机器人无法探测到特征地图,则可以通过航位推算估计自身的位置,但其精度非常有限,为了提高其定位精度,它可以与其它能够观测到特征地图的机器人进行相对观测,如果他们能进行连续的相对观测并进行连续的相对信息的交换,从而构建虚拟观测量(VO),通过虚拟观测量进行C-SLAM,有效提高定位精度。本文最后对全文进行了总结,并对未来进一步工作指出了探索的方向。