随着老龄化社会的到来,青年劳动力的减少,发展家庭服务型机器人已成为迫在眉睫的需求。智能扫地机器人作为服务机器人中第一个能够落地的产品,已经吸引了大批的研究者和工程技术人员研究相关的技术,这就要求智能扫地机器人能够实时估计自己的位姿信息,同时进行路径规划完成全覆盖清扫,从而使得EKF数据融合、视觉SLAM和紧耦合算法成为研究中的关键技术。本文对智能扫地机器人室内定位算法涉及的相关技术进行研究,主要工作如下:首先,研究了光流计定位原理,针对单个传感器无法满足所有的应用场景问题,改进了一种基于扩展卡尔曼滤波器对多传感器数据进行融合的方法。该方法建立了移动机器人的系统模型和观测模型,然后设计了适用于扫地机器人平台的扩展卡尔曼滤波器。通过实验,验证了基于EKF融合较里程计+IMU融合(或光流计+IMU融合)能够在一定程度上克服尺度不一致的问题,提高室内移动机器人航位推算定位的精度和鲁棒性。其次,研究了ORB-SLAM2算法框架和三线程工作原理,针对目前ORB-SLAM2中加载DBo W2词汇库耗时长和占用大量系统内存等问题,改进了一种对DBo W2词汇库进行优化的方法;同时训练得到了针对家庭场景下的词汇库。另一方面,针对三维空间6-Do F下优化结果误差大、实时性差等问题,改进了一种平面移动机器人3-Do F SLAM优化算法。通过实验,验证了所提出的算法较优化前有显著的性能提升。再次,针对目前主流的预积分算法误差大、精度低等问题,提出了一种融合多传感器的惯导预积分算法;同时利用松耦合算法估计了初始化视觉尺度s。针对松耦合算法的定位精度低等问题,提出了一种基于多传感器融合的紧耦合算法,并推导了系统模型和观测模型。最后,完成了Create2平台的硬件搭建和相应的软件设计,然后在不同材质表面进行了定位对比实验、室内小场景和大场景下两种算法的定位精度对比实验、以及针对本文提出的紧耦合算法进行了VISLAM系统优化的对比实验。实验结果表明本文所提出的基于多传感器融合的紧耦合算法能够适用于大部分的室内场景,且受表面材质、纹理特征、光照等条件的影响小。