现今，人工智能已经成为科学研究领域的一个热门领域，智能机器人开始慢慢进入人们的生活中。机器人也由原来笨拙的形态，简单的功能变得更加精巧智能化。其中移动机器人是一种非常有效的运输载运工具，被广泛用于各种领域。如何让机器人拥有像人类一样的“眼睛”和自动规划避障路线是目前移动机器人领域研究的热点。　　本文针对机器人的“眼睛”双目立体视觉和自动规划避障路线这两个问题的核心算法进行了研究。　　针对双目体视觉的深度恢复，本文提出了一种基于混合鲁棒匹配代价与改进引导滤波的立体匹配算法。在匹配代价计算阶段，将色彩信息与图像的梯度信息相结合构造了一种对光照失真具有鲁棒性的联合匹配代价。在代价聚合阶段，提出了一种改进的引导滤波器，利用改进的引导滤波器进行代价聚合。该改进的引导滤波器相对传统的引导滤波器能够更好的保留边缘细节提高视差图的边缘细节。在后处理阶段提出了一种新的后处理方法，首先对左右视差图进行一致性检测，标记误匹配点，然后对原始左图像利用K-均值方法对图像亮度信息进行快速的分割，然后基于分割信息对标记的误匹配点进行修复。该算法在Middlebury测试平台上的平均误匹配率为5.29%，且该算法对光照失真具有较好的鲁棒性，运算复杂度低，计算时间少。　　针对路径规划，本文提出了基于改进 RRT（快速搜索随机树）的非完整轮式机器人的路径规划算法。该算法融合环境约束和车辆自身约束，将三角几何学中三角形的费马点引入到RRT算法中，后处理采用剪枝函数，去掉路径中不需要的节点，缩短路径长度 ，舍弃常用的新增节点方法，并提出了定角路径修正法，最后采用Cantmull-Rom插值，去除了过大的拐角，改善了路径平顺性。将提出的改进RRT算法在不同复杂环境下与传统的RRT算法、BI-RRT算法的路径规划性能进行比较。结果表明改进RRT算法收敛速度快、效率高，规划的路径最短、更平滑，验证了该算法的优越性、正确性与实用性。