自主导航是移动机器人通过自身携带的各种传感器完成对周围环境的感知、绘制地图、确定自身位置的过程,是机器人在已知或未知环境下正常运行的核心技术。本文以基于激光雷达的自主机器人的自主导航问题为主要研究对象,对定位和制图(SLAM)的移动机器人自主定位导航技术展开研究。针对集中式SLAM算法的计算量大、容错性差以及系统稳定性差以及系统模型非线性等问题,研究了基于粒子滤波的分布式SLAM算法,并提出了几种改进算法对移动机器人自主定位进行研究,本文的研究内容如下:首先,本文介绍了SLAM和粒子滤波的基本原理,着重介绍了SLAM问题的描述和实现方法,以及粒子滤波的相关技术、关键步骤和一般实现过程,并详细描述了集中式SLAM算法的基本模型和实现方法,通过对集中式SLAM算的深入分析,给出了该算法的不足及缺陷,并由此展开了基于分布式结构的SLAM算法的介绍和分析。其次,本文将群体智能的思想引入到粒子滤波中得到融合粒子群算法(PSO)的粒子滤波算法,并将其应用在分布式SLAM算法中。主要完成了如下改进:1)粒子群算法动态调整粒子得到优化建议分布来改善各子滤波器中的粒子分布。2)在此基础上,采用量子行为的粒子群算法(QPSO)来优化建议分布以改善滤波效果。利用悉尼大学实际测量的数据,仿真实验验证了算法的精度和稳定性得到了提高。再次,本文将融合人工鱼群算法的粒子滤波取代分布式SLAM算法中各子滤波器中的粒子滤波,并利用人工鱼群算法中人工鱼的觅食行为和聚群行为来改善粒子滤波中粒子的分布,提出融合人工鱼群算法的粒子滤波分布式SLAM算法。通过对改进算法的仿真实验,验证了算法的精度和鲁棒性。最后,针对传统重采样技术的样本枯竭现象,本文提出了基于组合优化重采样的粒子滤波分布式SLAM算法,利用人工鱼群算法和融合粒子调节需要进行重采样的子滤波器中的粒子分布,可以有效解决样本枯竭问题。并使用悉尼大学的实际测量数据,对改进算法的有效性进行了仿真实验验证,并与已有算法进行了对比分析。