机器人发展经历几十年，从早期实现机械控制到现在已具有简单识别能力的智能机器人，但机器人的视觉与人的视觉依然相差很远，大多数带摄像系统的机器人只能识别颜色。虽然目前图像的处理技术，如编码、压缩、分割、降噪等方面的研究已有了长足的进步，但图像的智能处理技术仍然进展缓慢，已有的图像识别、匹配算法的性能远不能达到“类人”的性能。因此，各个发达国家都进行具有真正视觉和智能的机器人研究。如果希望图像识别技术能有较大程度地提高，仿生学是一个很好的捷径。由于生物视觉系统的复杂性以及对图像处理、图像识别的高效性，很多研究者着力于研究动物甚至人类大脑的视觉系统。 针对以上问题，本文在以下几个方面进行了工作与创新性的探索。 (1)对自主发育机器人进行了带有实时视觉特征学习的探索，在研究了增量获取图像特征和自主发育算法的基础上，把视觉特征抽取和自主发育结合在一起，通过一定的简化，形成能在简单的机器人平台上实现的带有实时视觉特征学习的机器人视觉发育的简化系统。 (2)提出一种具有实时特征学习的、模拟生物视觉多尺度交叠感受野的神经网络(NeuralNetworkSimulatingMulti-scaleOverlappingReceipt-field，NNSMOR)，通过无监督的学习获得对外界图像的视觉特征，对不同位置和尺度的感兴趣目标，都可找到它在场景中的位置。 (3)把NNSMOR网络的视觉学习结合有监督学习的识别分类算法，实现机器人对目标的识别和认知，把它应用在机器人视觉上，工程上实现了机器人对感兴趣的目标进行实时跟踪。 (4)引入基于显著性特征的注意力选择(Saliency-BasedVisualAttention)机制，作为多尺度交叠神经网络学习和观察的预处理模块，并在此基础上对原有的NNSMOR网络结构作了进一步改进，在实验中证明改进后的模型比原有视觉学习、认知网络模型比有更大的优越性。 (5)把基于显著性特征的注意力选择和NNSMOR网络的特征提取结合，在两阶段学习的基础上提出了一种带有学习认知的机器人自主注意力选择(Saliency-BasedAutonomousRecognition，SBAR)，为自下而上和自上而下相结合的两元注意力选择构架的研究提供了一个新的探索方向。 提出的方法中的(1)，(2)，(3)部分已编成C++在复旦一号机器人和实验室中简单机器人上应用，第(4)，(5)部分也有Matlab的演示。