移动机器人定位技术是实现导航任务的关键条件，其目的在于确定机器人在全局地图中的准确位置以实现精确的位姿跟踪。全局自定位过程需要在完整的场景空间中进行位姿搜索，计算量极大并且定位过程中潜在的场景二义性、局部场景动态变化等问题将导致先验数据关联失效，从而造成定位精度下降甚至全局定位失败。二维图像匹配定位技术可以快速确定机器人的全局位姿，但位姿估计精度不高，通常应用于视觉初定位阶段；三维点云配准定位技术充分利用了环境结构信息，可获取高精度的机器人位姿，通常应用于精定位阶段。综合考虑，本文结合两种定位技术提出了一种室内移动机器人三维视觉导航定位系统，重点研究初定位和精定位阶段的改进算法以及定位问题的解决方案，旨在提升定位的精度和效率。本文的主要研究贡献如下：
　　首先，在机器人视觉初定位阶段，针对基于传统视觉字典的图像检索算法存在的因图像相似度计算精度不高而导致的搜索准确率下降问题，本文通过融合了TF-IDF思想的金字塔相似度匹配策略构建的改进视觉字典来提升图像相似度的计算鲁棒性；针对全局定位失效问题，尤其是图像二义性问题，设定一种自主运动搜索策略使机器人自主探索环境以获取更多可用的图像匹配信息，从而消除位姿的局部收敛问题。
　　其次，传统点云配准算法的时间复杂度高并且处理点云问题的能力不足，本文提出一种基于LORAX思想并结合了FC_CNN分层采集、KDTree超点搜索和KDTree-ICP三种有效改进策略的卷积神经网络点云配准算法，该算法可提取更先进的点云特征以提升点云配准的精度和速度，通过实验验证本文算法的性能优于经典的点云配准算法并且能够满足移动机器人实时三维定位的需求。
　　最后，本文基于改进视觉字典图像匹配技术和卷积神经网络点云配准技术提出了一种蒙特卡洛精定位系统。粒子权重计算方面，图像匹配模型鲁棒性高但效率较低，点云配准模型可有效提升计算效率、性能稳定并且鲁棒性适中，本文设计了一种耦合了点云配准模型和图像匹配模型的自适应观测模型作为权重计算方案；定位失效恢复方面，通过增强蒙特卡洛定位(AMCL)算法分析粒子权重分布变化并自适应的随机采样粒子，采用一种结合了权重分布变化和连续帧匹配两种判断策略的响应机制来解决机器人绑架问题。