在智能移动机器人方面,实现移动机器人的自主性是世界各国学者一直在努力的方向。在一个未知的环境中,移动机器人想要独立的完成某一作业任务,必须要知道周围的环境和自身在环境中的位置,这就需要通过它自身携带的传感器来感知周围环境,进而确定自己的位置。在这个前提下,就有学者提出了同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)问题,即机器人通过自身携带的传感器感知周围未知环境,不断地构建并更新环境地图的同时更新自身位置。论文将对SLAM问题中的关键技术特征观测和数据关联进行研究,并利用移动机器人在室内环境对算法进行验证。首先,针对所研究的问题建立了坐标系统,然后构建SLAM系统模型,主要包括移动机器人的运动模型、激光传感器测量模型、环境地图表示模型、环境特征模型等。其次,设计了环境线特征的提取方法,对环境特征的表征方法进行研究,提出了新的线特征表征方法。通过设置动态阈值对环境点特征进行初步划分,得到多个点特征区域;然后对传统的分割--聚合算法进行改进,进一步分割点特征区域,采用动态阈值分割策略得到最终的点集合区域;最后利用最小二乘法进行直线拟合,并提出线段端点的确定方法,以此来确定线段在直线上的位置,基于真实环境数据进行了验证。再次,深入研究了面向线特征的数据关联方法,介绍了数据关联的基本概念和数学描述,并给出了其数学模型,然后在室内环境下,针对独立兼容最近邻数据关联方法(ICNN)关联正确率低,容易误匹配的问题提出了改进方法。首先介绍了标准的ICNN数据关联算法的原理,通过试验分析了算法的局限性,并给出了必备知识马氏距离的计算方法,然后针对标准ICNN的局限性分析了在二维平面内两条线段间的位置关系,在此基础上提出了误匹配判定规则,然后设计了关联后的特征保留原则及关联正确率判断模型,并进行了验证。最后提出了基于蚁群算法的数据关联方法,用于特征数目不断增多时的搜索匹配问题,重在兼顾数据关联正确率与实时性。最后,设计了基于线特征的扩展卡尔曼滤波SLAM方法,其中包含EKF滤波基本原理和基于线特征的EKF-SLAM方法步骤。最后基于真实的室内环境,利用装备激光测距仪和里程计的移动机器人采集环境数据进行了试验验证,通过算法得到的环境地图可以进一步证明算法的有效性。