自适应行为的自主管理过程和自主目标实现，是目前人工智能领域的一个重要研究方向，是智能系统发展的必然趋势。虽然目前很多智能系统都具有一定的自适应能力，都能完成某种具体的任务问题，但是大多数智能系统缺少解决通用问题的能力，自适应能力较差，与人类智能还有很大差距，采用智能算法实现的自适应行为虽然提高了系统的智能性，但依然存在很多的局限性。鉴于上述存在的问题，本文将充分借鉴基于SOAR(State Operator And Result，SOAR)的认知体系研究方法，将人类的认知过程融入到自适应行为选择中，设计并实现基于认知体系的自适应行为模型，并通过问题空间搜索方法实现在自适应行为模型基础上的任务问题求解。首先需要将具体的任务问题抽象到特定的问题空间中，然后根据任务要求在特定的问题空间中设计合适的操作符，利用操作符实现状态的转移，达到预期的目标状态，实现任务的解决。　　为了验证自适应行为模型和问题空间自适应搜索求解方法的有效性，本文面向移动机器人在未知空间中的移动过程进行模型及方法的实验仿真验证，通过对机器人移动空间中障碍物的随机分布假设，实现机器人移动过程中的自适应路径搜索，无碰撞地达到指定的目标位置。同时，为了提高问题的解决效率，将强化学习方法融入到机器人移动行为过程中，提出了基于强化学习的路径选择算法，设计了基于执行反馈的奖赏函数，将执行过程中的反馈信息以奖赏的形式融入到奖赏函数中。仿真实验结果表明，基于强化学习和过程反馈的移动机器人自适应行为路径选择过程更加高效，实现了机器人利用环境奖赏的路径选择优化，提高了问题解决效率。