随着海洋探测与开发的不断深入,具有自主导航能力的水下航行器的需求越来越大。在复杂的水下环境中,单一的传感器设备,如声纳、摄像头等,都无法满足高精度自主导航的要求,而采用多传感器融合的方法则成为一种最佳的选择。本文通过对水下机器人同时定位与地图创建问题的研究,为其向更广阔、更长程、更复杂的工作海域发展提供有力的保证,这必将大大推动我国水下机器人自主导航技术的发展。本文结合当前机器人自主导航技术的热点,介绍了自主导航技术常遇到的问题难点,然后在研究了扩展卡尔曼滤波和粒子滤波两种流行的滤波方法之后,分别在它们的基础上进行了创新和改进,以提高算法的精度和可靠性。在扩展卡尔曼滤波的方面,本文首先针对水下环境的复杂性,采用了声纳、摄像头、结构光等多种传感器融合的方法,保证了观测数据的有效性和信息的丰富性。其次扩展卡尔曼算法用到了协方差矩阵的更新,随着时间的推移,环境特征数目的增加,算法计算量会急剧增长。为了延长算法的持续时间,本文引入了临时特征地图,降低了地图环境特征数目的增长速度,有效的减少了不必要的计算。最后,针对数据关联出错会导致算法发散的问题,本文根据扫描数据集的特点,提出了全局扫描匹配算法,提高了数据关联的效率和准确度,降低了关联错误的可能性。在粒子滤波方面,本文首先分析了粒子滤波当前遇到的问题——随着滤波过程的进行,粒子样本集会出现样本多样性降低的问题。其次,本文分析了问题出现的根源,即重采样过程仅保留了权值较大的粒子,舍弃了权值较小的粒子。而后本文提出了一种基于粒子分化的粒子滤波方法,该方法是在重采样之前引入了粒子预处理过程,即粒子分化过程,将权值较大的粒子分化为多个权值较小的粒子,同一粒子分化后的粒子符合相同的分布。然后再对经过分化处理得到的新的粒子集重采样,这样就避免了由于重采样过程中通过简单的复制权值较大的粒子而产生的粒子样本多样性降低的问题。在改进以上两种滤波方法之后,本文对它们分别进行了仿真实验,实验结果表明,改进后的算法能较好的够达到预期的目标,提高了滤波的精度和可靠性,增强了滤波的实用性。