智能机器人的研究是计算机科学、信息学、机械运动和动力学、控制理论等领域的交叉学科。虽然，机器人已在工业上应用，但是现有的机器人在智能化方面与人脑的智力相差甚远，在实际应用中还有很多问题没有解决。本文针对智能机器人中几个热点问题进行了研究。尤其是模仿人脑的感知、认知和发育方面的研究工作是近年来才被提出的。本文的主要工作是：1)对带有激光传感器的移动智能机器人的自主导航、定位和地图建模算法的研究；2)基于最新的自主心智发育思想的智能机器人认知模块的研究；3)模拟生物视觉神经系统的感知模块的研究。在这些工作中，我们不但在现有的智能机器人研究方法的基础上，对传统的移动机器人导航方法进行了改进，还借鉴了一些最新的研究思路——如自主心智发育、模拟生物神经系统——的优点，针对智能机器人的感知能力和认知能力的增强问题，提出了一些比较具有独创性和创新性模型和算法。具体的工作按照时间先后顺序排列如下：在移动机器人的自主导航上，针对现有的未知环境下的自主导航容易出现局部极小问题和室内未知环境的机器人定位和自主建地图的精度和速度问题：(1)提出了行为信息场的新概念，并给出了基于行为信息场的惩罚函数，并把它加入目标函数中进行动作选择，从而实现移动机器人在未知环境下的自主导航，解决了传统的人工势场法中的局部最小和窄道盲视问题。(2)在移动机器人的定位和自主地图建模上，对传统的基于边匹配的室内SLAM算法进行改进，提出了基于距离的两次数据分类方法和顶点定位法，实现在未知环境下的自主定位和地图建模，在精度和速度上都有比传统的边匹配法有明显的提高。在智能机器人的认知模块的研究上，针对最新的自主心智发育的思想和基于该思想的HDR算法中，存在的识别率和建树合理性的问题，对原有的HDR分类识别算法进行了改造，(1)提出了基于有监督学习的LDA方法的Fisher-HDR分类神经网络，作为智能机器人认知模块的新算法，在识别率和建树的合理性上比传统的HDR方法有所提高。(2)提出了一种增量LDA方法来实现Fisher-HDR对数据的增量学习，该方法是建立在双PCA结构和自然幂迭代PCA算法的基础上，与其他的增量LDA方法相比，在收敛速度，精度以及计算时间上都具有优势。模拟人脑的结构和功能设计出新型的类脑型的智能机器人是目前人工智能和机器人领域的一个新的趋势。基于这样的思路，我们从生物视觉感知模块的结构和自主发育算法入手，提出模拟视觉视网膜和视皮层的神经网络感知模块，(1)利用视网膜的研究成果，提出了具有多层精细结构，且具有短时发育能力的视网膜计算模型作为智能机器人感知模块的预处理器。该模型不但在结构和信息处理能力上与人类视网膜非常相似，能根据环境自适应调整局部对比度、视敏度和视锐度，还能模拟在《Nature》杂志上最新发现的视网膜的动态预测功能，有利于提高感知模块对外界环境的适应性。(2)模拟视初级皮层的特征抽取的生物事实，提出了时空感受野连接权的发育算法和模拟视觉初级皮层中的超功能柱的神经簇模型，对人脑视皮层的细胞发育过程进行模拟。该模型最大的特点是利用同一个无监督发育规则，实现神经元时间感受野的权与空间感受野的权的同时发育。该模型也是目前唯一的一个利用发育方法生成细胞时间感受野权值的模型。利用该模型可以较好的模拟视皮层方位选择性细胞和颜色颉颃细胞的发育过程。且发育出的神经簇模型具有很好的特征提取能力。(3)提出了一个基于侧抑制神经网络的假设性模型来解释视皮层神经元时间感受野形成的内部机制，并给出了数学上的推导。(4)利用我们提出的神经簇模型，根据视皮层功能柱结构搭建了一个大型的多层感知网络，并结合基于新颖性的top-down通路，实现视觉注意力选择。比起现有的其他注意力选择模型，我们提出的模型是使用自主发育的信息处理单元——神经簇模型，它能够同时提取颜色，运动和边缘三种信息，且具有更强的适应性。因此能够同时实现对静态和动态混合场景的注意力选取，也便于硬件实现。这对解决智能机器人视觉信息处理中的内存溢出和有效的特征提取，节省计算资源等方面问题具有重要意义。