近几年,随着信息化和智能化的迅速发展,移动机器人正逐步走进人们的工作和生活当中,伴随人工智能技术的崛起,引领着智能移动机器人进入一个快速发展阶段。越来越多的研究者着眼于利用人工智能技术解决传统方法存在的瓶颈。解决移动机器人定位问题是完成机器人运动、控制以及导航等其他功能的前提,是移动机器人研究中的基础性问题,在一些特定领域如仓储物流、智能巡检、无人驾驶等有着刚性需求和重要的研究价值。但是传统基于贝叶斯滤波框架下的定位技术在其定位精度、定位误差等方面还存在不足。本文的研究工作主要围绕着利用神经网络改进基于贝叶斯滤波理论的移动机器人定位方法,主要研究工作包括以下几个方面:首先,本文针对机器人定位问题,阐述了在贝叶斯滤波框架下,从概率表达的角度介绍了基于贝叶斯滤波方法的各种不同实现形式,一般为卡尔曼滤波和粒子滤波,并分析了不同滤波的性能,同时对方法进行了数学推导,随后介绍了循环神经网络以及长短时记忆网络,最后介绍了在机器人定位中所需要的机器人运动模型与概率感知模型。接着,本文以循环神经网络非常适合在序列数据之间建立数据长期依赖关系的特点为启发,提出了构建基于长短时记忆网络的运动模型,用于减少传统运动预测模型中的马尔可夫的局限性。本文以可微分粒子滤波网络为基础,可微分粒子滤波网络是将粒子滤波算法中的各个步骤独立为神经网络结构,实现了改进运动模型的可微粒子滤波网络框架。首先验证基于LSTM的运动预测模型相较于普通运动模型在一段曲线轨迹上具有更准确的回归轨迹,接着本文通过收集基于DEEPMIND开发的模拟环境的机器人轨迹漫游数据,建立参数训练集,并完成模型的参数训练。最后在仿真地图环境中测试并验证了算法的性能,从仿真结果看出,改进的算法提高了定位精度以及泛化能力。最后,本文分析了在扩展卡尔曼滤波中,当目标具有复杂且不确定的机动形式时,单一模型不足以准确地描述目标的运动的问题。以及由于不确定机动引起的较大范围的模型误差等不足为出发点。为了获取移动机器人位置状态的高精度估计,提出使用基于长短时记忆网络的模型来替换传统滤波方法中的直接参数模型,直接从训练数据中学习模型参数,分别作用于预测阶段和更新阶段的误差识别,并对数据进行补偿,本文利用公园数据集分割20组数据段,组成训练集,并使用其中一段来验证所提出算法的可行性与精确性,通过与传统扩展卡尔曼滤波算法的误差比较的方式,对轨迹定位给出了量化评价,验证了基于长短时记忆网络的扩展卡尔曼滤波定位算法的有效性,从仿真结果看出,该算法有效地减少了模型在预测和更新阶段的误差,提高了定位的精确性和鲁棒性。文章最后对本文工作进行了总结,并指出了研究内容的不足以及今后工作的进一步方向。