تعیین تناظرهای موجود بین داده های مشاهده شده و مقادیر تخمین زده شده در نقشه، به عنوان مسئله ی ارتباط دهی داده ها شناخته می شود. مسئله ی ارتباط دهی داده ها به عنوان یکی از پایه ای ترین مسائل در نقشه سازی و مکان یابی همزمان ربات می باشد که کمتر مورد توجه قرار گرفته است. در این پایان نامه با نگاه دقیق به مشکلات و نقایص روش های ارتباط دهی داده ها و با استفاده از روش های یادگیری نیمه نظارتی، راهکاری جدید برای مسئله ی ارتباط دهی داده ها و همچنین روشی دقیق برای بازشناسی مکان ربات ارائه خواهد شد. مسئله ی ارتباط دهی داده ها در دو حالت رخ می دهد. حالت اول، ارتباط دهی داده ها به صورت پیوسته، یا به عبارت دیگر ردیابی ویژگی ها می باشد. ارتباط دهی داده ها به صورت پیوسته را می توان به صورت مسئله ی برچسب گذاری در نظر گرفت و با استفاده از روش های مدل سازی احتمالاتی آن را حل نمود. روش crf-matching مسئله ی ارتباط دهی داده ها به صورت پیوسته را به وسیله ی میدان های تصادفی مشروط مدل سازی می نماید. مشکل اصلی این روش، نظارتی بودن مرحله ی آموزش مدل می باشد. برای یادگیری پارامترها به صورت نظارتی باید تمام داده های آموزشی برچسب گذاری شده باشند. در این پایان نامه روشی مبتنی بر یادگیری نیمه نظارتی برای آموزش مدل crf-matching ارائه شده است. پارامترهای مدل، در روش پیشنهادی به وسیله ی مجموعه ای از داده های آموزشی که قسمتی از آنها برچسب خورده و مابقی بدون برچسب می باشند و از طریق بهینه سازی به وسیله ی دسته ی ذرات بدست می آیند. روش crf-matching نیمه نظارتی ، علاوه بر عدم نیاز به مجموعه داده ی آموزشی کاملاً برچسب خورده ، از دقت بیشتری نسبت به روش نظارتی برخوردار می باشد. حالت دوم مسئله ی ارتباط دهی داده ها در زمان بسته شدن دور رخ می دهد که با نام مسئله ی بازشناسی مکان شناخته می شود. بازشناسی دقیق مکان، سبب بهبود خطاهای ناشی از عدم قطعیت در ربات می گردد. در قسمت دوم این پایان نامه روشی دقیق و کارآمد برای بازشناسی مکان ارائه خواهد شد که از طریق ترکیب اطلاعات ظاهری صحنه و مختصات هندسی ویژگی های استخراج شده از صحنه مکان ربات را شناسایی می نماید. مشکل اصلی روش های ارائه شده برای بازشناسی مکان، نرخ یادآوری پایین این روش ها می باشد. به این معنی که فقط تعداد محدودی از مکان های قبلاً بازدید شده، تشخیص داده می شود. روش پیشنهادی در این پایان نامه با استفاده از الگوریتم بسته ای از واژگان بصری ، تعدادی از مکان های مشاهده شده را به عنوان نامزد بسته شدن دور مشخص می نماید و سپس با استفاده از crf-matching نیمه نظارتی صحت مکان شناسایی شده را بررسی می نماید. تعداد مکان های به طور صحیح بازیابی شده به وسیله ی روش ارائه شده در این پایان نامه تقریباً دو برابر سایر روش ها می باشد.