同步定位与地图创建(Simultaneous Localizationand Mapping,SLAM)是移动机器人自主导航的热点问题。所谓SLAM是指在不确定移动机器人初始位置的条件下，对机器人周围的未知环境进行地图创建，同时根据创建的地图对机器人进行定位和导航。目前，SLAM的研究已经取得了显著的成果，但是仍然面临着许多问题亟需解决。其中错误的数据关联结果会显著的增大机器人位置估计和地图估计的误差，直接导致SLAM算法发散。所以本文主要针对SLAM中的数据关联进行了研究。　　本文针对当环境特征数未知时，数据关联的误关联率增加，导致SLAM的定位精度偏低的问题，提出了高斯混合概率假设密度SLAM算法——GMPHD-UFastSLAM算法。该算法首先采用UFastSLAM来解决FastSLAM2.0中的粒子退化和耗尽问题，其次针对地图特征数未知的情况，利用高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density，GMPHD）算法来解决UFastSLAM中的数据关联问题。仿真实验结果表明本文提出的GMPHD-UFastSLAM算法在地图特征数未知的情况下，不仅改善了数据关联的性能，而且提高了机器人的定位精度。　　基于相同的思路，在环境特征数未知时，EKFSLAM中的数据关联误关联率增加，导致机器人定位精度比较低，本文提出了GMPHD-EKFSLAM算法，该算法同样是利用GMPHD来解决EKFSLAM中的数据关联问题。经过仿真结果分析发现，本文提出的GMPHD-EKFSLAM相对于EKFSLAM算法不仅提高了数据关联的准确性，而且提高了机器人的定位精度。