移动机器人技术的应用水平与研究程度代表着一个国家工业自动化发展的高低，对国防、社会、科学技术都有重要的战略意义。而同时定位与地图构建（SLAM）方法是一个移动机器人能够实现完全自主导航的关键因素，是机器人研究领域中的热点与难点问题，已经引起许多研究学者的高度重视。本文在分析了SLAM方法的基本框架、移动机器人相关模型的基础上，深入研究了SLAM中机器人自定位及环境地图的实时构建等关键问题，并研究提出一种改进方案，以改善常规方法的不足，提高机器人定位和地图构建的估计精度及执行效率。具体的研究内容如下：首先，对移动机器人的基本模型进行深入研究，并且结合SLAM问题的基本框架构建仿真平台，本文的所有仿真验证实验都是在此平台上完成的，为后续研究工作打好理论基础。然后，对常规的卡尔曼滤波器理论进行了介绍，推导出了EKF-SLAM的估计流程，并且在仿真平台上验证了EKF-SLAM框架的可行性与有效性。针对EKF在估计移动机器人非线性模型状态时计算雅克比矩阵带来的截断误差的缺点，给出了基于UKF的SLAM改进方法，通过SLAM仿真实验表明，在噪声的幅值增大时，UKF-SLAM较EKF-SLAM有更好的估计效果与稳定性。最后，针对常规FastSLAM方法粒子退化与样本贫乏问题，为改善粒子分布，提出一种基于自适应人工物理优化粒子滤波SLAM算法。通过人工物理优化虚拟力模型假设采样粒子之间拥有互相影响的排斥力与吸引力，粒子间的吸引力驱动粒子朝后验概率密度逼近，改善了粒子退化问题。同时在排斥力的作用下粒子间相互牵制，避免粒子重叠和过度集中，提高了粒子多样性，改善粒子分布后根据粒子退化速度自适应选择重采样算法，并且由SLAM仿真对比实验验证了该算法的优越性。