近年来,随着人工智能的发展,移动机器人在各领域得到广泛应用。定位问题是移动机器人研究的基本问题,是实现自主导航的前提,是机器人成功完成任务的基础。粒子滤波算法因其在非线性、非高斯系统中的适应性而受到学者们的广泛关注,基于粒子滤波算法的蒙特卡洛定位方法成功应用于移动机器人定位,但是存在一定缺陷。标准粒子滤波算法存在粒子退化、多样性缺失以及粒子数自适应问题。本文对标准粒子滤波算法进行改进并将其应用于移动机器人的定位研究。第一,利用平方根嵌入式容积卡尔曼滤波产生提议分布,将当前观测信息融入到算法之中,使提议分布更加逼近系统实际后验概率分布,在一定程度上解决粒子退化问题。第二,针对重采样过程引起的粒子多样性缺失问题,利用chopthin采样代替标准重采样,采样过程不再是对高权重粒子复制和对低权重粒子淘汰的过程,而是在过程中产生不同权重的粒子。同时在每一迭代周期都可以进行chopthin采样,与标准重采样相比,有效粒子数更加稳定。第三,标准粒子滤波算法需要大量的粒子才能取得较精确的估计结果,计算量大,影响算法的实时性。为了自适应的调整粒子数目,本文通过计算JSD评估粒子集子集之间的相似程度,在线调整采样粒子总数。最后,将改进算法与移动机器人蒙特卡洛定位算法相结合并进行仿真实验,实验结果表明改进算法具有较好的定位性能。