水下机器人也称为水下自主航行器（Autonomous Underwater Vehicle，简称AUV）。它是一种能够自主在水下航行无需人为干预的“水下自主航行器”。它能自主的处理海底航行期间遇到的各种突发状况，并能通过实时采集的海底数据来进行自主航行和任务完成。水下机器人能否能顺利完成任务，很大程度上取决于AUV的决策控制系统性能。为了提高决策控制系统的性能，本文旨在设计一种基于极限学习机（ELM）的水下机器人的决策控制系统。为了提高AUV在水下航行时候的决策控制能力，本文的目的是设计一种新型的基于极限学习机（Extreme Learning Machine,简称ELM）的应用于水下机器人的决策控制系统。在本文的设计的决策控制系统中，为了便于设计和升级维护，我们把AUV的控制决策行为分为两大类：理性行为（Rational behavior）和感性行为（Emotional behavior）。其中，理性行为是经过复杂算法运算而做出的控制行为。感性行为是AUV对外界刺激产生的应激反应行为。当AUV在海底航行时，两个行为各司其职相互协作共同保证AUV顺利完成任务。在本文设计的决策控制系统中，决策控制系统最终输出的复杂的控制行为是多个简单的控制行为的加权矢量和。各个简单的控制行为是已经在AUV的决策控制系统中设定好的行为，例如避障行为趋向目标行为以及姿态保持行为等。也就是说，AUV的最终行为是由简单行为的加权因子矩阵决定的。本文利用极限学习机来计算AUV的加权因子矩阵，来达到精确控制AUV行为的目的。极限学习机的输出值是直接能够决定AUV行为的加权因子矩阵，而极限学习机的输入则是环境的特征值。环境的特征值是AUV根据传感器数据实时计算得到的。因此，环境变化，加权因子矩阵机会变化，AUV的行为就会变化。这就使得AUV拥有了良好的环境适应能力。在文章的最后，我们选取了水下机器人水底航行最有代表性的两个行为，在基于MATLAB搭建的仿真平台上，对基于ELM的决策控制系统进行了仿真研究,并得出了在二维地图下的AUV航行轨迹图和AUV航行速度仿真图。通过对这些仿真结果的分析和研究，我们可以看出本文设计的基于极限学习机的决策控制系统即便是在相对复杂的环境中，也能控制AUV成功避开障碍物顺利到达目标地点。