导航技术作为水下航行器的关键技术，一直是人们研究的热点问题之一。高精度的导航定位信息对于水下机器人能否安全执行并完成任务以及有效使用采集到的水下数据具有决定性的作用。自主导航能力能够确保移动机器人在已知或未知的环境中，从一个指定起始位置出发准确无误的到达目标位置，并且同时完成指定的任务。为了实现机器人的自主导航能力，同时定位与构图（SimultaneousLocalization and Mapping，简称SLAM）算法作为一种重要方式必不可少。同时定位与地图构建是指在未知环境中，机器人根据自身携带的各类传感器提供的周围环境信息和自身位置的估计，逐步确定自身位姿并且构建周围环境的特征地图。虽然SLAM算法在机器人导航探索领域起着关键性作用，但其在一致性、计算复杂度、数据关联等方面的不足使其在大范围水下环境中有时并不是特别有效。对于大多数不受控环境中机器人的实际应用来说，最关键的问题就是怎样把机器人的局部传感器数据整合到全局环境的一致性地图中去。这个问题对于SLAM来说非常困难，因为SLAM仅仅根据传感器得到的局部测量值来估计机器人的位置并同时构建环境地图，即使是很小的局部误差随着时间的积累也会导致很大的全局误差，引起环境地图的不一致。所以本文这里介绍了一种新的解决SLAM问题的算法-递增平滑与地图构建算法（Incremental Smoothing and Mapping,简称iSAM），它基于快速递增的矩阵因式分解，通过更新稀疏平滑的信息矩阵的QR分解因子提供一种有效且精确的解决方案，能够随时计算出全局地图和机器人的整条轨迹。论文重点阐述了iSAM算法的基本原理，对算法的实现过程进行了具体分析。通过Victoria Park数据集实验，文章系统地评估了iSAM算法，证明了其有效性。本文还描述了数据关联的基本理论，对各种常见的数据关联技术进行了研究。论文还对数据关联方法中会用到边缘协方差的复原过程进行了详细讲解。文章最后又通过两个仿真实验，验证了iSAM算法的可行性和有效性。