智能移动机器人是一种在复杂的环境下工作的具有自规划、自组织、自适应能力的机器人。移动机器人同时定位与制图(Simultaneous Localization and Mapping)问题的研究是智能机器人研究领域的热点话题。机器人同时定位与精确地图创建能力是自主移动机器人在未知环境运动的先决条件。最近十几年来实现SLAM的算法主要是用EKF方法。然而，基于EKF的SLAM方法在实际的大环境中运用时，有两个缺陷：二次方复杂度和易无效的数据关联。本文采用另一种方法实现SLAM并且解决这两个问题。 文章首先回顾了SLAM技术的发展，指出已有SLAM技术存在的问题，在此基础上引出了本文研究的重点：基于粒子滤波器实现SLAM算法，并对其算法构架、属性、以及性能等相关内容进行了介绍。通过仿真实验证实了本算法的正确性与可靠性。 这个算法的思想是把后验概率分解成两部分，一是路径的后验概率，另一个是以路径概率为条件的环境特征的后验概率。分解的后验概率可以用粒子滤波器有效地逼近。加入新观测量需要的时间长短变为环境特征数目的对数。除了对机器人的路径采样，粒子滤波器也对数据关联的可能性进行采样。通过对数据关联的可能性采样使得粒子滤波器能够在已知和未知的数据关联下都能实现SLAM算法。用仿真实验结果比较粒子滤波器与EKF方法实现SLAM的性能，结果表明前者可以在相当大的环境甚至是数据关联很不确定的环境下得到更加精确的地图。此外，讨论了在线性高斯的情况下，粒子滤波器实现SLAM的算法的收敛性。