随着世界各国在海洋开发方面展开日趋激烈的竞争，对具有自主导航能力的水下机器人的要求越来越高，需求也越来越大。机器人配备单一的传感器如声纳等现已无法满足高精度的自主导航的要求，采取数据融合方法成了一种最佳的选择。同时定位和地图创建是机器人实现自主导航的关键，本文对传统的基于滤波器的SLAM算法和基于图优化的SLAM算法进行了深入的研究，分析现有方法的难点，并在它们的基础上进行了改进和创新。本文首先对机器人的发展、自主导航算法和SLAM问题进行了概述，然后在本文所建立起的坐标系模型以及机器人运动模型和观测模型的基础上，对基于扩展卡尔曼滤波的SLAM算法的不足进行分析，然后提出了基于U卡尔曼滤波的数据融合预处理的方法，最后再对基于图优化的SLAM框架的帧间配准、环形闭合检测和图优化进行介绍，并在基于随机梯度下降算法的基础上提出基于变学习率的方法对图进行在线优化。在建立的机器人运动模型和观测模型的基础上，首先对基于扩展卡尔曼滤波的SLAM算法进行介绍并分析它在计算效率、机器人模型的线性化等方面的不足，提出了基于U卡尔曼滤波的数据融合预处理方法。通过采用U卡尔曼滤波方法，减少在更新阶段计算协方差等雅克比矩阵的计算量，对于机器人在低速、观测距离较远会多次碰到同一障碍物的情况，通过采用数据预处理和障碍物预处理两个数据融合预处理过程来减少在更新阶段的次数操作，通过对离线数据进行实验仿真，取得了减少计算量和更新次数仿真效果。通过对比基于滤波器的SLAM算法和基于图优化的SLAM算法在模型处理、求解效率和闭环能力三个方面的特点，得出基于图优化的SLAM算法在自主导航过程中取得更好的效果。因此本文对基于图优化的SLAM算法框架的前端（帧间配准、环形闭合检测）进行介绍，并对后端（图优化部分）在问题建模和优化方法进行论述，在此基础上建立机器人复杂的位姿图描述出其非线性约束关系，在基于随机梯度下降算法的基础上提出基于变学习率的方法对图进行在线优化，思想是：给位姿图的不同部分赋予不同的学习率,以便于能够实时处理一个新约束条件的信息，当出现增加一个新的约束（会使位姿图某些部分的学习率增加）、处理已存在的约束（会将先前学习率增加的影响传递给其他学习率）以及根据一个一致调和级数（降低学习率）情况时会影响学习率的改变，这样做能够使未受影响的部分仍然保持其低误差的结构布局，而正在更新的部分能够快速发现一个新的均衡位置。通过仿真实验取得了不错的仿真结果，进而验证出基于变学习率的方法对于在线解决图的非线性化约束问题具有有效的作用。