全局定位是实现移动机器人智能化和自主化的关键,影响导航系统在不同环境条件下的性能。机器人必须能够一致准确地估计自身位置,以完成给定的任务。通常,移动机器人通过匹配当前和历史观测结果与现有的环境地图估计它们自身位置。然而,移动机器人的全局定位过程可能会受到多种因素的影响,如传感器噪声、数据模糊、信息传输噪声以及环境感知信息的不完整性等。受传统图像处理和SLAM算法的低水平感知缺陷的限制,基于传统算法的定位和导航无法用于非结构化环境、遮挡和复杂目标等应用。为了改善定位和导航性能,必须开发适合信息特征处理和表达的模型。由于具备对信息特征强大的提取和表达能力,基于深度学习的方法在图像分析领域取得了巨大的成功。因此,在移动机器人领域中使用这些方法可以提高复杂场景中特征表达的能力,从而提升全局定位和导航性能。本文主要研究了基于深度学习方法的地图分割,手绘地图下的自动定位,以及拓扑地图下的自动定位,从而实现了不同场景下的室内移动机器人定位系统。所提出的深度学习算法突破了传统方法的局限性,如特征提取和数据分析方面较差的缺陷、需要鲁棒的特征以及当规模扩大时计算复杂性的急剧增加等。通过公开数据集和实际数据上的实验,验证了所提出算法的有效性和准确性。本文的主要工作和创新性如下:1)针对室内地图分割问题,提出了一种深层的卷积神经网络MapSegNet,可将室内地图分割成较小的单位,如房间、走廊、窗户等。该方法利用编码阶段表达环境信息,随后利用相应的解码阶段,将特征图的分辨率提高到原始分辨率。为了增加不同阶段之间的信息流动,并提高模型的泛化能力,引入跳跃连接实现多尺度特征图融合。在抽象地图和精细地图数据上进行了实验评估其中抽象地图包括空房间和走廊,详细地图中的室内空间包含更多物品,如家具等。通过使用多个室内地图数据集,并将其性能与类似的神经网络模型进行比较,验证了所提出方法的有效性。结果表明,与其他目前性能最优的分割技术相比,该模型能够实现更准确的识别或更低的计算成本。2)针对基于不准确的手绘环境图进行自主定位的问题,提出了一种新型的由粗到细的方法。该方法首先将手绘地图分解为局部区域,如房间或走廊,然后提取每个区域的一系列几何信息,在此基础上训练卷积神经网络（Convolutional Neural Networks,CNN）,进行场景识别。其次,利用增强版的蒙特卡罗定位（Monte Carlo Localization,MCL）技术,估计机器人的位置。实验结果表明,在处理不准确、含有噪声的环境数据以及定位偏差问题时,所提出的方法相比目前最优越的定位方法,拥有更好的性能。3)针对基于拓扑地图的自主定位和导航问题,提出了一种集成CNN模型和机器人工作空间拓扑图的系统,可精确地获得移动机器人的所在区域。为解决CNN模型在小规模数据集中泛化能力有限的问题,提出了新的损失函数。该损失函数不仅考虑了将输入数据分配到其真实类别时的概率,还考虑了将输入数据分配给其他类而不是其实际类别时的概率。在已有数据集进行实验,评估了所提出系统的性能。实验结果表明,该系统在精度和泛化能力方面优于目前其他最先进的技术。