移动机器人同步定位与地图构建（Simultaneous Localization and Mapping，以下简称SLAM），是通过机器人自身携带的传感器在线测量和位置估计，从而在部分已知或完全未知环境中实现机器人的自定位和增量式地图构建。这一无需先验地图的导航手段，对于移动机器人长时间无人现场的自主作业而言是至关重要的。本课题选自国家自然科学基金项目“小型自主水下航行器群体协同地形勘察关键技术研究”，以移动机器人为研究对象，深入开展了以下关键技术研究：首先，定义了移动机器人SLAM研究所需的坐标系，并在此基础上建立了移动机器人运动模型、传感器观测模型、环境特征模型及数据关联模型，从而为SLAM关键技术研究搭建了统一的平台。其次，针对环境特征地图的不完备性及自然实体路标的不规则性，提出了描述自然实体路标的位置属性和大小属性的圆型类特征表示法，即用圆型类特征的中心位置表示实体路标的中心位置，用圆型类特征的直径表示实体路标的空间俯视的大小属性；提出了基于角度-距离复合聚类的环境特征提取算法，该算法包括数据预处理、区域分割和特征参数拟合三部分，并通过“Victoria Park”标准数据集验证了算法的可行性；设计了EKF-SLAM仿真算法，并通过人工设定路标和机器人路径的仿真实验，验证了算法的有效性。再次，提出了自适应重采样的FastSLAM算法，通过实时计算有效粒子个数和评判粒子退化程度，实施有效的重采样操作，从而有效地改善频繁重采样所导致的样本枯竭影响；根据粒子滤波和粒子群的相似性，提出采用粒子群优化算法改进FastSLAM，并利用多样性启发因子引导粒子群优化搜索过程，以保证粒子集多样性最优。该算法经自行设计的仿真实验，验证了算法的可行性和有效性。最后，围绕SLAM的数据关联问题，给出了SLAM数据关联的解释树模型和关联矩阵模型；针对单一兼容最近邻数据关联算法中固定不变的最近邻判定阈值与实际不符且极易造成关联错误的情况，提出了一种基于分段自适应阈值动态调整算法的单一兼容最近邻数据关联算法，并通过仿真实验验证了算法的有效性；通过联合兼容分枝定界数据关联算法分析，提出一种按照联合最大似然准则判定关联有效性和采用蚁群优化算法代替分枝定界搜索的联合兼容分枝定界数据关联改进方法，设计了基于蚁群优化的联合数据关联算法，并通过仿真实验完成算法的可行性和有效性验证。