定位是指移动机器人通过传感器信息确定自身在场景中所处位置的过程,精确而鲁棒的自定位是移动机器人完成导航任务的基本条件。全局定位需要地图中可行的位姿状态空间中搜索,定位过程计算量庞大,并且在定位过程中由于多个相似场景、局部场景变化、以及对先验信息采集路径的依赖等原因易造成定位失败问题。RGB-D相机成本低廉,可同时获取彩色信息和深度信息,基于RGB-D相机的室内导航定位已成为移动机器人领域的研究热点。然而由于传感器的性能局限、三维视觉信息处理的复杂性以及应用场景的多样性等,基于RGB-D相机的移动机器人定位仍存在许多困难与挑战。本论文根据RGB-D相机的特性,研究室内环境移动机器人三维视觉自定位关键技术,以提高定位的效率、精确性以及鲁棒性。本文主要研究贡献如下:首先,本文结合视觉词袋模型进行图像检索为移动机器人确定全局位姿,并提出了一种主动搜索定位的策略,在由当前观测信息定位失败后能够主动获取更多的视觉信息,提高了定位的鲁棒性。基于运动过程中捕获的图像序列之间的关联,通过统计分析确定最优全局定位估计,提高了全局定位的效率与精度,为移动机器人精确定位与导航任务的实现提供了良好的初始定位结果。其次,三维点云配准是通过三维点云为移动机器人定位的关键技术,机器人定位的实时性要求更高效率的点云配准技术。由RGB-D相机得到的点云数据间由于相机视野小而具有较少重叠区,并且深度相机噪声大,精度低,这要求点云配准具有更强的鲁棒性能。为此,本文结合3D-NDT(Three-Dimensional Normal Distributions Transform)点云配准算法与基于特征匹配的点云配准思想,提出一种改进点云配准算法,显著的提高了点云配准的实时性能,并且对于深度相机得到的三维点云数据之间的配准具有更强的鲁棒性。最后,对于目前得到广泛应用的经典蒙特卡罗定位算法仍然存在全局定位能力差,对绑架机器人问题检测不灵敏,恢复定位时间长等问题,本文根据RGB-D相机的特点,基于粒子滤波定位框架,结合基于视觉词袋的全局定位方法以及改进的点云配准算法,设计并实现了一个高效鲁棒的基于RGB-D信息的蒙特卡罗定位系统,并提出一种结合粒子权值变化与实时观测图像序列连续性约束的绑架问题检测机制。实验表明,本文定位系统,相比经典蒙特卡罗定位方法,具有更高的鲁棒性与定位精度,能够更好的检测绑架问题并快速恢复定位。