机器人的定位是以环境地图为基础的，而环境地图的构建又需要精确的定位。在未知环境中，这是一个既矛盾又相关的过程。为了实现真正意义上的自主导航，必须把机器人定位和环境地图构建作为一个问题来解决，使机器人具有同时定位与地图构建(SimultaneousLocalizationandMapping，SLAM)的能力。　　 本文围绕未知环境下的移动机器人同步定位与地图构建展开研究，主要内容有：　　 1、阐述SLAM的问题提出与研究现状。本文从机器人研究着手，在切实的需要的基础上提出SLAM问题，并讨论了SLAM问题的研究现状。紧接着，本文进行了各方面的模型分析，建立了实验使用的SLAM模型。　　 2、目前研究成果都预先设定方向点，机器人对方向点选择不具有自主性。为使机器人在方向点选择方面具有自主性，在感兴趣区域构建地图，提出一种基于K均值聚类自主选择方向点的机器人SLAM算法。机器人在每一次观测都对当前所观测的区域进行聚类，在观测到的特征点数目单调递增的情况下，将最多特征点数目一类的聚类中心作为机器人下一步的方向点，机器人的SLAM基本框架按照扩展卡尔曼滤波SLAM估计。对提出的算法进行仿真实验，验证提出的算法使机器人在方向点选择上具备自主性，同时可提高定位精度。　　 3、为使机器人在不具备观测噪声先验信息的情况下进行精确定位，提出一种PID自适应的扩展卡尔曼滤波机器人定位算法。在未知观测噪声协方差情况下，设定观测噪声协方差为较大值，将新息的实际协方差与理论协方差输入到PID自适应控制器，来不断修正观测噪声协方差。机器人的SLAM基本框架按照扩展卡尔曼滤波SLAM估计。仿真实验验证提出的算法可实现扩展卡尔曼滤波SLAM算法性能的在线改进，减小定位误差。　　 4、针对特征点分布简单的地图，提出一种新的数据关联方法.在相邻两步的观测中，利用特征点TSP问题和序列相关函数的结合，寻找噪声污染下的特征点关联。实验证明，提出的方法可在噪声增加的情况下，保证SLAM算法的一致性。　　 本文在最后一章对全文进行了总结，并且对今后进一步的研究方向进行了展望。最后给出了本文的参考文献。