定位是移动机器人实现自主作业的基础和关键,是移动机器人领域的经典挑战问题。经过近二十年的发展,激光感知定位、视觉里程估计等都取得了丰硕的成果,并实现了应用验证。但复杂动态场景下的视觉定位仍面临多方面的挑战,包括场景变化导致的视觉特征不稳定、计算资源有限导致的定位性能下降等。面对上述挑战,本文从提升视觉定位算法数据关联的鲁棒性、定位系统计算的高效性以及多源定位信息融合的可靠性三个角度展开研究,取得了下列创新成果:（1）针对单一类别视觉特征数据关联鲁棒性不足的问题,设计了基于多层势场的数据关联通用表征方式,融合多类视觉特征信息进行位姿估计。通过分析直接法和间接法在数据关联方面的异同,利用构造多层势场的方式使间接法的匹配结果可转化为和直接法相似的表征,进一步利用语义一致性将可用于位姿估计的图像数据关联拓展至区域间的匹配。通过分析不同数据关联形式的特性,将多类特征匹配构建的势场分层融入图像金字塔中,由粗到精地优化相机位姿。实验证明了相较于基于单一种类特征匹配进行位姿估计的方法,分层融合多类图像特征匹配信息可以有效地提升视觉位姿估计的性能。（2）针对数据关联标注成本高且前端匹配结果难以具有全局一致性的问题,设计了端到端通过构建隐式数据关联估计图像位姿的深度神经网络。该网络利用图像间的相对位姿作为监督,通过计算和压缩图像间的全局相关性构建隐式数据关联,在提高网络泛化性能和对动态场景的鲁棒性。此外,网络中融合了图像深度信息以提高位姿估计的精度。在实验中该方法相较于同类深度学习方法提高了约50%的定位精度,且在高动态的室内长期定位数据集中取得了较基于特征匹配和鲁棒位姿求解方法更高的定位性能。（3）针对动态环境中视觉特征在长时间跨度下不稳定而难以匹配的问题,提出了利用激光点云地图的三维结构信息进行视觉鲁棒定位的方法。在地图的构建过程中,设计了面向视觉定位的激光点云重采样方法,并通过统计地图点在多段采样中被观测的频率提取其中的静态子集。在线定位时,将视觉点云所关联的激光地图信息与视觉局部观测信息相融合,以紧耦合的方式优化定位结果。该方法在校园场景数据上实现了跨季节及存在大视角变化条件下的平均误差小于0.5米的视觉定位。（4）针对使用云计算辅助视觉定位时数据传输量高、通信存在延迟等问题,设计了基于稀疏化局部环境信息的端云定位算法。为降低通信量,在请求定位时,相较于传输离散图像至云端的定位方式,该方法将机器人本地端里程计滑动窗口内维护的局部环境信息经稀疏化抽象后发送至云端进行定位。此外,为降低定位信号接收滞后的影响,实现本地端高频的全局位姿估计,在机器人端部署轻量级的扩展卡尔曼滤波器,基于本地里程计和云服务器返回的延迟定位信息更新惯性测量单元的积分实现高频全局定位。实验结果证明了该方法在真实场景的数据上基于无线网络定位的可行性,并通过仿真不同的网络通信质量证明该方法在存在网络延迟、丢包等通信干扰的情况下也可以实现鲁棒的视觉定位。（5）针对不同定位信息融合时系统能观性受机器人运动模态影响的问题,设计了基于松耦合优化的绝对-相对定位融合方法,在定位融合的过程中进行退化检测和约束。定位融合系统基于滑动窗口内的信息估计定位传感器间外参、相对定位系统的尺度以及相对定位系统原点和全局定位系统原点间的相对位姿,在避免不同定位子系统互相干扰的前提下,补偿相对定位系统的尺度漂移。该方法在仿真及含多类绝对-相对定位传感器组合的不同数据集上进行了有效性验证,并取得了较现有通用融合方法更高的定位精度。在仿真及开源的多个不同类型、场景的数据集上,本文设计了定量和定性的方法以论证上述所提方法和相关创新点的有效性,为移动机器人在真实场景中实现长期可靠定位提供了理论探索和实验结论。