目前,移动机器人的定位系统及算法在室内环境中已经取得了较好的定位效果,但是这些系统及算法在室外运行时会由于室外非结构化的环境、噪声和光照等各种因素的影响而无法很好地运行,因此室外移动机器人的定位仍然存在着许多问题亟待解决。本文主要研究使用视觉的传感数据在室外环境下移动机器人的定位问题,主要的研究内容如下:首先,针对移动机器人的定位问题,本文主要利用的是贝叶斯滤波的框架,已知贝叶斯滤波主要是通过运动模型和观测模型从当前时刻预测下一时刻机器人的状态或位置,以此方法迭代求出机器人运行的轨迹。而在贝叶斯滤波的观测模型中,使用了马尔可夫假设,即机器人当前的状态观测值只和当前时刻的控制以及观测信息相关,使用这种假设无疑丢失了机器人历史数据的可利用性。因此,本文在贝叶斯滤波的观测模型中引入高斯过程来进行建模,通过高斯均值和协方差来表征观测模型,而协方差表示了环境结构相关信息,通过高斯过程的方法可以综合考虑机器人所有的历史数据,并通过所有历史数据的相关结构来降低定位的误差。其次,将全局视觉特征和语义特征引入了高斯过程改进的观测模型,将观测模型扩展到视觉的高维数据,并探讨了全局视觉和语义特征单独使用和相互结合之后的不同定位效果。进一步将各个模块整合构建了用于室外移动机器人视觉定位的系统,详细论述了系统的各组成部分和功能,并通过两个真实的室外数据集验证了算法的有效性。为了处理方便,我们通过高斯过程对历史轨迹上相邻位置间的相关结构进行了建模,并假设了观测值之间的独立性。然而现实世界中机器人观测到的路标或特征之间往往具有结构相关性,因而进一步利用多输出的高斯过程来对这种相关性进行建模,将具有结构相关的观测值组成不同的区域块,通过区域块之间观测值的相关性来对定位进行进一步优化。本文也提出了在线稀疏的多输出高斯过程的近似计算方法,同样可以解决原来多输出高斯过程计算的内存和时间消耗的问题,实现常数级别的时间和内存复杂度从而有利于机器人持续地定位,并提出了用于模型选择的多输出类型的聚类算法和超参数学习方法来选择核函数。同样,也在两个数据集上对算法进行了评估,验证了我们提出的算法能有效降低机器人定位的误差和保证视觉定位系统运行的有效性。