自工业革命后,人类社会进入飞速发展阶段,陆地资源已经不能满足人类发展的需求,而海洋蕴藏着丰富的资源,这加速了人们对海洋探索的步伐。水下机器人因其可以替代工作人员完成各项水下工作而备受关注和研究,成为当前各国探索海洋的一个极为重要的手段。导航定位技术作为探索海洋必备的关键技术之一,对在水下未知复杂环境中作业的水下机器人来说十分重要,决定着水下机器人能否顺利完成任务。优秀的导航方法可以提高水下机器人导航定位精度,高效的完成海底探索任务。同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)方法是能够让机器人实现真正自主的关键技术。SLAM方法将地图构建和自身定位进行了有效结合,是水下机器人完成海底地形探测的一种好方法,这也是本文主要研究的内容。本文主要研究了随机有限集框架下的SLAM算法,提出了随机有限集框架下的势均衡多伯努利滤波SLAM(Cardinality Balanced Multi-Bernoulli SLAM,CBMBer-SLAM)方法,并在该方法的基础上进一步提出了基于多平台联合的CBMBer-SLAM方法。本文研究的内容主要包括以下几个方面。首先,针对传统的EKF-SLAM、Fast SLAM等方法存在着复杂度高、需要进行数据关联、计算量大等问题,提出了一种随机有限集理论框架下的势均衡多伯努利滤波的SLAM方法,该方法不用进行数据关联,也不需要用近似策略进行粒子权重计算,降低了算法计算复杂度,且势均衡多伯努利滤波方法采用无偏差的势估计避免了过多估计地图特征数目的问题,提高了地图特征估计精度,从而提高了地图估计的整体精度。其次,针对随机有限集框架下的SLAM方法无法提供先验信息的特性,本文在所提势均衡多伯努利滤波SLAM的基础上进一步研究提出了基于多平台联合的CBMBer-SLAM方法。该方法将多个水下机器人平台在相同的未知环境中共同探测周围环境,在探测的过程中通过水下机器人平台共享各自探测的地图特征数据信息,以此来增加地图的先验信息,提高了当前时刻该水下机器人的地图特征的估计精度,从而提高整个地图的估计精度。最后,将基于多平台联合的CBMBer-SLAM方法中各平台的估计特征融合,得到最终的地图特征估计,使得地图特征估计的精度进一步提高。