移动机器人是一种能够通过传感器感知工作环境信息和自身状态进而实现自主运动并完成一些预定任务的智能系统。环境探索与自主导航是移动机器人实现自主控制的关键技术，因此，如何提高移动机器人对环境的探索效率以及自主导航能力是实现移动机器人在未知环境中可靠灵活移动的关键问题。这就要求机器人在环境中具有学习的能力，能够不断从环境中获取知识，积累经验、不断提高自身环境探索和导航能力，让其行为在不断学习中逐渐智能化。　　本文研究了机器人在室内环境中进行环境探索以及自主导航的相关问题，对于使用不同导航方法实现机器人导航的性能进行了比较分析。本论文的主要研究工作如下:　　(1)基于信息熵-Q学习的机器人环境探索　　针对于传统方法中机器人随机遍历环境造成的效率不高、资源浪费现象，本文根据通信系统中对信息量多少的定义，引入信息熵的概念，提出了一种基于信息熵-Q学习的环境探测方法。首先通过计算各个方向的信息熵来引导机器人朝向信息熵较大的方向运动，然后设计了一种由BP网络实现的Q学习算法来处理机器人遇到障碍物后的避障学习问题。实验仿真结果表明，利用此算法可以使机器人的运动具有一定的目标性，提高了环境探索效率，在遇到障碍物时能够通过多次碰撞学习有效地躲避障碍物，完成全局环境的探索。　　(2)基于动态可增减SOM图的环境建模与路径规划　　针对传统方法建立环境地图需要大量环境信息从而造成的信息存储搜索困难的问题，本文基于自组织特征映射图(Self-Organizing Map，SOM)提出了一种基于动态可增减SOM图(Dynamic Growing and Pruning Self-Organizing Map，DGPSOM)的环境建模方法。该方法首先通过神经元自主增长的方式来建立神经网络拓扑地图，然后利用删减算法不断调整神经元位置，进行神经元删减，从而使神经元分布更加均匀，降低网络冗余性。在利用上述方法建立环境地图后，利用A*算法搜索从任意起点到终点的最优路径。实验结果表明，利用DGPSOM算法建立的环境拓扑地图能够有效的表征环境信息，利用A*算法可以完成机器人全局最优路径的搜索。　　(3)基于模糊神经网络的机器人反应式导航　　根据模糊控制适合逻辑推理，神经网络具有学习与自适应能力的特点，将两种方法进行融合，针对静态未知室内环境设计了一种基于模糊神经网络的导航方法，使移动机器人可以根据实时传感器信息，通过不断学习，实现在不同类型环境中完成导航任务。本算法按照模糊系统的功能运算步骤分层构造神经网络，然后利用神经网络学习算法调整模糊系统的参数。实验结果说明该算法能使机器人通过学习不断提高避障和趋向目标的能力，能够在各种静态环境中有效完成导航任务。　　(4)基于模糊行为决策的机器人主动寻径导航　　在传统的机器人导航中，机器人行为的激发是一个被动过程，这容易导致机器人的行为缺乏“规划性”。针对这一问题，类比于人类在未知环境中的寻路过程，提出了一种基于模糊行为决策的主动寻径方法。该方法首先在机器人的探测域内寻找可视点并确定最优子目标点，然后对感知到的环境信息以及最优子目标点信息进行分析以确定机器人所处环境，最后基于设计的一种模糊控制器，对机器人的行为进行规划并输出控制指令使得机器人实现避障且不断趋向最终目标点。仿真结果验证了该算法的可行性和有效性。　　本文的研究工作受到国家自然科学基金项目(No.61075110);北京市自然科学基金项目/北京市教育委员会科技计划重点项目(No.KZ201210005001);国家重点基础研究发展计划（973计划）资助(2012CB720000);高等学校博士学科点专项科研基金资助课题(No.20101103110007)的资助。本文的工作对于研究机器人环境探索和自主导航的问题具有一定的参考意义。