随着机器人技术的不断发展,对于移动机器人的研究也越来越多。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)问题是移动机器人实现真正自主的基础。目前解决SLAM问题主要有滤波方法和平滑方法,平滑方法也叫做基于图的SLAM。基于图的SLAM分为前端和后端两个部分,前端主要负责图的构建,后端负责图的优化。由于前端的位置识别算法会产生出错误的闭环约束,这使得目前存在的后端优化算法无法得到正确的优化结果,实现具有鲁棒性的后端优化算法是目前研究的热点。本文针对目前典型的后端优化算法SC(Switchable Constraints)、RRR(Realizing,Reversing,Recovering)、MM(Max-mixture)、DCS(Dynamic Covariance Scaling)进行了研究。通过标准数据集对RRR和MM算法进行测试发现他们存在对一部分数据集失效的缺点,而SC算法增大了问题规模,从而使得计算复杂度增加,DCS算法是在SC算法的基础上提出来的,但是对于一些数据集该算法失效。本文通过对SC算法的目标函数进行分析,得到了一个改进的DCS算法(称为DCS1算法)。同时,本文对SC算法、RRR算法、MM算法和DCS1算法进行了详细的分析和比较,并针对这些算法的可控参数进行了分析。本文详细介绍了所有的标准数据集,并针对这些数据集进行了一系列的测试,给出了对比DCS算法的实验结果,验证了DCS1算法的正确性以及对算法改进的必要性。同时给出了SC算法与DCS1算法的对比实验结果,验证了DCS1算法比SC算法收敛速度快。最后对RRR算法和MM算法进行了测试,并通过实验结果分析了算法的优点及缺点。