随着经济的快速发展和科技的不断进步,移动机器人在生产生活中扮演着越来越重要的角色,而移动机器人的位姿估计是实现机器人应用必须要解决的关键问题。本文着重研究非高斯噪声下的移动机器人的位姿估计算法,以提高移动机器人位姿估计精度。在同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）框架下,研究内容围绕影响机器人位姿估计精度的后端优化算法和前端点集配准算法开展。针对传统滤波算法在非高斯噪声下位姿估计精度低的问题,提出了一种基于最大相关熵（Maximum Correntropy,MC）和迭代无迹卡尔曼滤波（Iterative Unscented Kalman Filter,IUKF）相结合的位姿估计算法（MC-IUKF）。本文利用MC来处理非高斯噪声,构造了基于MC的代价函数,然后利用麦夸尔特法（Levenberg-Marguardt method,LM）对该代价函数进行优化,在此基础上推导了状态和协方差的迭代更新过程,改进了IUKF的更新步骤。仿真结果表明,在非高斯噪声环境下,该算法与传统的滤波算法相比具有更好的估计精度,并具有良好的稳定性。在三维空间中,点集配准精度直接影响着机器人的位姿估计精度,对点集配准算法的研究是提高机器人位姿估计精度的重要环节。针对迭代最近点（Iterative Closest Point,ICP）算法在处理存在噪声或异常值的点云数据时配准精度低的问题,提出了一种基于MC和ICP相结合的点集配准算法（MC-ICP）。本文首先将相关熵应用到点集配准问题中,然后提出了一种基于相关熵的点集配准函数,在此基础上,对点集之间的位姿转换参数进行了优化求解。所提出的算法能够很好地处理带有噪声和异常值的点集配准问题,最后将该算法应用于移动机器人的位姿估计。实验结果表明,与传统的ICP算法相比,MC-ICP算法具有较高的配准精度和较好的鲁棒性,同时也有效地提高了移动机器人的位姿估计精度。本文的研究为国家自然科学基金项目《卫星信号拒止环境下异构无人系统的协同定位与建图》的重要组成部分。研究成果可为移动机器人的位姿估计提供思路,对促进机器人的推广和应用具有理论和实践意义。