“定位”，从广义上说，就是确定物体在某个特定环境中相对于其他参照物的位置的过程。近年来，随着传感器技术、计算机技术的进步，定位问题越来越成为了一个研究的热点问题。各种定位方法被广泛的应用于许多领域，比如机器人学、移动机器人导航、计算机视觉、普适计算、无线(传感器)网络等。机器人的定位问题甚至被认为是机器人导航问题中最基本的问题之一。 基于视觉的定位利用光学传感器的感知信息，将相对位置测量方法和绝对位置测量方法结合起来使用。在动态环境中，传感器信息中包含很多不确定性，需要一种概率化的方法去解决这样的问题。贝叶斯滤波就是这样的一个统计工具，而卡尔曼滤波器和粒子滤波器都是属于其中。 本文提出了一种基于视觉的定位方法，蒙特卡罗-扩展卡尔曼定位(MCL-EKF)。这种方法是蒙特卡罗定位和扩展卡尔曼滤波器的结合，分别利用了人工地标和自然地标的高噪声的传感器信息，结合无反馈的里程计信息来完成自身定位。我们首先给出了蒙特卡罗定位的一个具体实现，融合多标志物的信息，并提出新的计算权重和样本重采样方法，以适应动态不确定的环境中的问题(例如绑架的机器人问题)。其次我们为地标建立卡尔曼滤波器，这样可以建立一个实时的环境模型，这个实时环境中的信息会用MCL的传感器模型中。另外，本系统还对于自然地标的不唯一性做了特殊处理，对于传感器模型中处理单个或者两个人工地标的方法做了阐释。 为了验证方法的有效性，本文在真实机器人(AIBOERS-7)上面设计了多个实验，分别是针对使用线段进行定位的测试、对稳定性和降低传感器误差的测试、对准确性的测试、对恢复能力的测试和在实际RoboCup比赛的应用.实验结果表明，在高噪声的信息输入下，本定位系统能够减少传感器误差，获得准确、稳定的定位结果，同时有较好的自我恢复能力。