机器人定位问题在移动机器人智能行为研究中有着非常重要的意义，是实现匀主导航、在未知环境中完成复杂智能任务的关键，也集中体现了机器人的感知能力和智能水平。本文以室内环境下移动机器人开发应用为背景，对移动机器人在基于特征的室内环境中实现高性能的自主定位和环境建模等问题进行了深入研究。本文的主要研究成果有： (1)针对室内结构化环境下的移动机器人应用，提出了一种融合改进声纳模型与Hough变换的位姿跟踪算法。该算法采用改进的声纳模型，并将经典的Hough变换引入移动机器人自定位，将由Hough变换提取的直线特征组成的局部地图，与全局地图在Hough空间进行匹配，更新机器人的位姿信息。并借助扩展卡尔曼滤波器将此信息与里程计测得的数据进行融合，从而最终实现机器人位姿跟踪。不同于一般的地图匹配定位方法，该算法的整个匹配过程是在Hough空间而不是在笛卡儿空间进行的，因而与一般方法相比具有更高的计算效率。仿真与真实环境中的实验验证了该位姿跟踪算法的有效性。 (2)为了解决移动机器人的绝对定位问题，实现初始位姿完全未知下的全局定位，介绍了一种将基于扩展卡尔曼滤波器的多假设跟踪方法与贝叶斯概率估计相结合的混合的机器人全局定位方法并将其应用于室内多边形环境中。该方法用高斯和表示系统状态分布，对可能的匹配产生位置假设，利用扩展卡尔曼滤波器来跟踪每一个状态假设，更新状态估计和协方差矩阵，并采用贝叶斯概率公式估计假设的正确性，将正确性低于某一阈值的假设删掉以确保计算效率。由于这一方法具有多模态性，因而能够解决全局定位问题。实验验证了该算法处理全局定位问题的能力。 (3)为了增强在不确定性条件下机器人定位的抗干扰性能，同时解决机器人被绑架问题，以Monte Carlo方法为基础并进行改进，提出了一种改进的MonteCarlo定位算法。该算法同时采用运动模型与感知模型作为重要性函数并从中进行采样，避免了采样集不包含真实位姿采样的情况，能够有效地解决全局定位与绑架问题。同时在重采样过程中引入了额外的两个检验过程，即采样过收敛和均匀性验证，用于判断采样与感知信息的匹配程度，以适时的进行重采样，节省了计算资源并提高了定位效率。通过常规Monte Carlo算法、加入随机采样MonteCarlo算法与改进Monte Carlo算法的定位性能比较，验证了改进Monte Carlo算法的有效性。 (4)针对未知模型环境下在线建模-SLAM(同时定位与环境建模)这一移动机器人实现自主能力中的重要问题，本文研究了一种基于贝叶斯法则的栅格地图创建方法，对多个声纳传感器信息进行融合，解决信息间冲突问题，提高地图创建的准确性；并在此基础上介绍了一种基于混合地图的融合声纳传感器观测信息与里程计信息的室内环境下SLAM方法。该方法用混合模型表示环境地图，即栅格地图模型和直线特征地图模型，同时引入Hough变换提取直线特征创建直线特征地图，利用直线特征以及扩展卡尔曼滤波器估计机器人位姿信息，从而实现机器人同时定位与环境地图构建。仿真与真实环境中的建模实验验证了该SLAM算法的可行性和有效性。