移动机器人定位技术旨在帮助机器人更有效地确认周围环境,从而进行更准确、快速的位姿跟踪。然而,这一过程需要耗费大量时间和资源,并且还有可能出现场景二义化、局部环境动态变化等问题,这些问题均有可能影响到最终的定位结果,从而使得最终结果不够理想,甚至还会出现偏差。二维图像匹配定位技术能够快速的判断机器人的全局位置,不过随之而来的问题就是准确率不高,一般情况下应用的是视觉定位的初始阶段;而三维定位方法可以充分挖掘环境结构信息,从而获得高精度的机器人姿态,一般用于更准确的定位阶段。本论文拟对室内机器人三维视觉定位技术进行相关研究,其目的是提高定位的精度和效率。本文的主要研究内容如下:首先,在机器人视觉的立体匹配过程中,先是介绍二维视觉下基于视觉词袋模型的匹配技术。随后论述三维视觉下立体匹配算法,主要介绍以下几种:传统的SURF算法、FAST算法、基于SURF的极线匹配算法。通过实验对比可知,基于SURF的极线匹配算法性能更高。最后结合Pn P算法进行当前机器人所在位置的估计,可以更好的得到机器人的位姿。其次,在三维点云配准阶段,首先论述传统的ICP算法,它的不足之处是从不同视角获得的点集彼此之间仅仅是部分重叠,所以很容易获得局部最优的情形。而随后论述的GICP算法依赖于最近邻搜索,这使得在资源受限的计算机中很难实时的处理大量点云数据。针对上述两种算法存在的不足,本文提出一种改进的ICP点云配准算法,该方法在提取图像特征匹配点对和图像与点云的映射关系的基础上进行点云拼接,其基本流程是:最开始使用基于SURF的极线匹配算法进行图像的特征匹配,接下来使用RANSAC算法确定初始变换矩阵,最后使用ICP算法求解精确变换参数。改进的ICP点云配准算法,一方面可以提供相对准确的特征点对,提高求解的准确率,另一方面特征匹配点对提取的方法更简单,使计算量在很大程度上降低。从实验对比可知,改进的ICP算法具有更高的效率和较好的鲁棒性。最后,本文提出改进的蒙特卡洛定位算法。在这部分中,先是介绍了传统的蒙特卡洛定位算法,概述其过程并分析存在的不足;接着提出该改进算法的整体结构,重点论述了一种自适应观测模型,该模型可用于图像匹配;最终介绍了蒙特卡洛定位算法的重采样过程,并详细说明了AMCL算法在解决粒子退化问题方面的原理,同时提供了针对机器人绑架和定位失效问题的可行解决方案。由实验结果得知,本文提出的改进算法在速度方面更优,自适应观测模型赋予粒子更可靠的权重进而提升了粒子集的收敛效率,机器人绑架问题的耦合响应机制可快速恢复有效定位过程。