快速有效的战场救援能力是军队战斗力维持和再生的根本保证。面对丛林、山区、城市等多种地形条件下的伤员搜救任务,如何通过对搜救机器人系统关键技术的研究、提升与应用,最大化程度提高救援能力、提升搜救任务执行效率,已成为世界军事强国普遍关注的热点问题,具有重要的学术和工程实用价值。本文以面向复杂地形条件（城市、野外环境等多种地形条件）的搜救机器人系统为研究对象,对复杂地形条件下搜救机器人系统适应度、基于适应度的搜救机器人系统任务分配、复杂地形环境下多传感器信息融合的生命探测算法、多地形条件下的搜救机器人路径规划算法等关键技术进行研究。并构建面向复杂地形条件的搜救机器人系统,进行多种复杂地形条件下的搜救适应性实验验证。为量化评估复杂地形条件下的搜救任务中搜救主体（救援人员、搜救机器人、任务载荷等）对搜救任务的适应能力,提出一种神经网络与层次分析法结合的搜救适应度计算方法,将影响搜救任务适应能力的任务、地形、距离等多种因素进行量化定义与融合,实现搜救主体对搜救任务适应能力的定量分析计算。为提升复杂地形条件下的搜救机器人系统任务分配效率,提出一种基于搜救适应度的搜救机器人系统任务分配算法,充分考虑任务类型、地形条件、距离条件等多种影响因素。首先采用形式化描述方法将各搜救主体以及待执行任务进行描述,然后通过搜救适应度将搜救主体对特定任务的适应度进行计算,最后采用分层强化学习方法对任务进行优化分配。相较于传统任务分配方法,取得了87%的任务分配效率提升。为提高复杂地形环境下的生命探测精度,提出一种多传感器信息融合的生命探测算法。以雷达信息、RGB视频信息、单帧RGB图像信息和红外图像信息为输入,采用有序加权平均算子（Ordered Weighted Average,OWA）将多种信息在决策层进行融合。通过信息融合,实现复杂地形环境下高准确率的生命探测。针对当前机器人路径规划算法无法考虑不同机器人对不同地形的适应能力的问题,提出一种多地形条件下基于适应度的搜救机器人路径规划算法。以机器人的地形适应度为基础,设计基于强化学习和势场法的机器人路径规划算法,在多地形条件下为不同的机器人设计最适合其运动能力的移动路径。实验结果表明,相比传统方法,基于适应度的机器人路径规划算法在履带式和轮式机器人上分别取得23%和31%的移动效率提升。综合以上研究成果,本文在城市、野外环境等多种地形条件下搭建搜救场景进行复杂地形适应性实验。实验项目包含生命探测、身份识别和伤员后送等。针对各个实验项目,分别采用纯人工模式、人主机辅模式、人机协同模式等三种搜救模式进行对比分析。实验结果表明,采用人机协同的搜救模式,在城市环境和野外环境条件下分别取得了不低于88%和31%的搜救效能提升。相关研究及实验结果对未来复杂地形条件下的搜救任务具有较大的参考意义。