随着人工智能的不断发展，移动智能机器人被广泛地应用于工业、军事和服务等领域，发挥着重要的作用。机器人只有知道自身位置和工作环境，才能安全有效的进行自主运动，为人类提供更好的服务。因此，认知环境和位置估计成为移动智能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，同时也是最接近人类感知环境的方式。因此，基于视觉的机器人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，机器人在移动过程中获取的图像大都存在光照、尺度、人和物体运动所导致的大量不确定因素，传统的视觉方法不能很好的处理这种不确定性。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和处理能力。本文针对机器人定位问题，研究基于概率主题模型的地点图像识别研究，主要内容包括:　　(1)基于ORB图像特征提取方法。特征的提取和描述是在计算机视觉系统中的关键步骤，其目的是对图像有价值的纹理信息进行提取，完成图像信息从数据空间到特征空间的转换。ORB(Oriented FAST and Rotated BRIEF)结合了有方向的FAST检测子和旋转不变性的BRIEF描述子。在牛津大学提供的数据集上的实验，结果证明了，ORB算法在计算速度上领先于传统的算法;ORB描述子在图像存在视角变换、缩放、光照等变换情况下依旧能够有最好的匹配性能。　　(2)基于Gibbs采样的LDA模型地点图像识别方法:首先，用SIFT算法提取图像的局部特征，根据提取特征聚类生成“词袋”，用“词袋”中单词对图像进行描述;然后LDA(Latent Dirichlet Allocation)模型对图像的特征进行学习，利用Gibbs采样算法对模型的参数进行估计，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、尺度和拍摄角度变化，以及人和物体的动态变化所导致的不确定性。　　(3)基于Shortcut Gibbs采样的LDA模型地点图像识别方法:为了提高模型参数计算速度，将LDA模型的Gibbs采样参数估计算法进行改进，提出了基于Shortcut Gibbs采样的LDA模型参数估计方法。与LDA模型的Gibbs采样参数估计算法相比，Shortcut Gibbs采样参数估计算法能够降低采样率，特征所属的主题更为集中，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Shortcut Gibbs采样的LDA模型参数估计方法的性能大大优于LDA模型的Gibbs采样参数估计算法。　　(4)基于动态Gibbs采样的LDA模型地点图像识别方法:Gibbs采样参数估计算法采样率高，复杂度高，运行速度慢;而Shortcut Gibbs采样参数估计算法虽然有效的降低了采样率和复杂度，提高了参数估计的速度，但是该算法得到的主题分布是次优解。针对上述问题，对Gibbs采样参数估计算法和Shortcut Gibbs采样参数估计算法进行改进，研究了基于动态Gibbs采样参数估计算法的LDA模型参数估计算法，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，基于动态Gibbs采样的LDA模型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。