机器人作为人工智能技术的应用方向之一,涵盖了信息学、仿生学、控制论等学科,具有较高的研究价值。同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）是实现机器人建图及定位的关键技术。传统的同步定位与地图构建系统需要高精度的测量地图用于时刻定位自身在环境中的位置,但对于自然中的动物而言,既没有精确地图,又无法时刻知晓自身精确位置,却依然可以实现简单快速的定位导航。本文以此为启发,以仿生Rat SLAM模型为基础,结合神经认知科学和环境感知技术,对智能机器人的建图定位方法展开研究。具体工作包括:（1）对基于仿生机理的机器人建图定位领域的研究现状进行了调研,深入分析了RatSLAM模型的框架和原理,阐述了相关的理论基础。（2）提出一种融合FNA（FlyNet Algorithm）地点识别算法的RatSLAM模型。针对RatSLAM模型面对光线变化时场景匹配率降低的问题,首先对模拟果蝇嗅觉神经的FNA地点识别算法进行改进,将其与同样基于仿生理论的分层时间记忆模型结合,使得FNA算法能够对时间序列上连续的图像具有更好的识别准确率;然后,融合改进的FNA算法到RatSLAM模型的框架中,进行仿真实验。实验结果表明,融合FNA地点识别算法的RatSLAM模型,能够降低对光照变化的敏感度,提高场景匹配的准确率。（3）基于语义分割技术,改进了RatSLAM模型的视觉里程计,旨在解决Rat SLAM模型面对动态场景效果不佳的问题。该方法通过语义分割技术像素级地分割出图像场景中的动态物体,在特征匹配阶段,将这些落在动态物体上的特征点剔除,从而避免动态物体的移动对机器人自身运动估计造成误差。针对以上改进做了相关实验,实验结果表明,改进方法与原方法相比,减小了系统误差,提高了对动态环境的适应能力。（4）提出一种基于仿生认知的建图及定位方法。根据神经认知科学研究,人类用于识别的认知与用于行为的认知是分离的。本文受此启发,将建图定位的过程分为行进认知回路和定位认知回路,旨在使机器人在无需高精度地图的情况下,实现简单快速的定位和建图。仿真实验验证了该方法的可行性和优越性。