室内移动机器人的定位与避障算法一直是机器人领域内的研究热点，其中定位的鲁棒性主要是指机器人发生异常状况时，对定位功能的自我恢复能力，而避障功能包括对障碍物的检测以及绕行策略的研究。本文主要围绕改进粒子滤波定位算法的鲁棒性，以及提高机器人障碍物检测能力方面开展创新性研究，并取得了以下成果：　　（1）室内机器人SLAM算法的概述，全面介绍了国内外对于机器人同时定位与构图问题的研究意义和状况。分析阐述其中的关键技术和存在的问题，包括定位失效与恢复、障碍物检测方法以及数据关联与融合等。　　（2）设计了机器人系统中的运动模型和观测模型，以及对机器人导航过程中包括的地图模型和坐标转换进行了建模分析，并在数学模型加入噪声影响使其更符合机器人实际状态。在此基础上仿真对比了目前关于机器人室内定位的各类算法，包括基于卡尔曼滤波器的系列改进算法，以及蒙特卡洛思想基础上的粒子滤波算法。以理论结合实验，总结各类SLAM算法的优缺点和改进的地方。　　（3）提出一种结合机器学习技术的重定位算法，解决了粒子滤波定位算法通过均匀分布初始化粒子的运算效率低下问题，以及机器人被搬动后，粒子滤波无法收敛到新位置的低鲁棒性问题。本文重定位算法实现机器人对环境几何信息进行特征编码，并结合位姿进行关联学习，构建对地图模型对应的特征知识库。当机器人被人为搬动到地图模型的另一位置时，仍可通过本文的重定位算法对定位功能实现快速的恢复，提高了机器人的定位鲁棒性，且大大降低了粒子滤波进行初始化时所需的粒子样本数量。结合Gazebo仿真软件，分析了本文算法关于训练时间和预估准确度的性能，并验证了在导航过程中对机器人定位恢复的可行性。　　（4）针对目前常用的红外、超声波以及轻触开关等避障传感器的不足，以及激光雷达存在较大检测盲区的问题。本文提出通过深度相机模拟激光的三维检测方法，将机器人对障碍物的检测能力从单个水平面提升到前进方向上的整个三维空间。对于检测过程中存在的噪声和地面影响问题，均给出了相应的解决方法。实验证明本文提出的三维检测方法能使机器人有效检测到各种材质障碍物的同时，具备检测地面上障碍物的能力。另外，改进的滤波算法能有效去除深度信息中的椒盐噪声，提高机器人在室内执行自主导航任务时的安全性能。　　随着移动机器人逐步被应用到实际生活中，本文关于机器人定位鲁棒性和导航安全性方面均提出了相应的改进算法，具有较高的实用性和创新性。