同时定位与地图创建是指机器人在进行自身定位的同时创建增量式地图，并根据创建的地图来更新自己的位姿。作为移动机器人智能导航研究的重要基础和关键技术，过去十几年中SLAM问题的研究逐渐成为移动机器人研究领域的热点问题。基于EKF的SLAM算法在实际应用中存在的缺陷：计算复杂度高、系统的噪声要求是高斯白噪声、数据关联问题。本文使用另外一种方法实现SLAM，并解决这些问题，主要工作如下：（1）介绍了机器人同时定位与地图创建（SLAM，Simultaneous Localizationand Mapping）问题的基本理论及概率模型，在此基础上建立了SLAM系统的运动模型、观测模型、噪声模型、环境地图模型等一系列模型，定义了采样位姿、状态更新、地图创建等方面的相关公式。（2）给出了基于Rao-Blackwellized粒子滤波的SLAM算法，将系统状态的后验概率分解为路径估计部分和以路径估计为基础的地图估计部分，路径估计部分使用粒子滤波算法，地图估计部分使用EKF算法。（3）针对Rao-Blackwellized粒子滤波的SLAM算法中存在的重要性密度函数的选取、传感器信息的获取、粒子滤波中粒子匮乏等问题，将遗传算法的进化理论引入Rao-Blackwellized粒子滤波SLAM算法，取代粒子滤波中的重采样，并采用模拟退火准则对遗传优化后的粒子进行选取，提出了一种融合遗传优化的Rao-Blackwellized粒子滤波的SLAM算法。