移动机器人智能化最重要的前提之一是具有自主环境感知和行为决策的能力。本文研究了在室内和室外园区环境中移动机器人场景感知及自主行为决策的问题,具体包括三维环境下的位姿跟踪、状态估计、移动目标跟踪以及路径规划。本文首先对移动机器人进行运动学分析,给出了本文所采用的移动机器人结构和硬件信息,并建立运动学模型和控制模型,对于在状态估计和规划控制中的概率应用,也分别给出了移动机器人的里程计运动模型和速度运动模型,并借助Solid works设计的一款室内复合移动机器人。为了实现可靠的移动机器人状态估计方法,本文对航迹推算、蒙特卡洛定位和卡尔曼滤波位姿跟踪方法进行了研究。为提高位姿估计的精度同时减少计算耗时,采用了一种基于新型连续离散-无迹卡尔曼滤波器(CD-UKF)的定位方案,通过将连续系统离散化处理,并直接利用无迹变换(UT)进行高斯参数计算,避免了偏微分方程的使用。在应用中引入状态误差项的方差能实现全局误差控制,实现了在保证定位精度的同时提高了计算效率。然后,通过组合多种信息和方法设计了一种移动机器人鲁棒定位系统,实现移动机器人局部和全局定位,并且在地图点云缺失时也能保证一定的定位可靠性。根据机器人当前位姿和目标位置,采用A~*算法进行全局路径规划,得到最短路线准则下的移动机器人全局最佳路径,并且利用动态窗口算法进行局部路径规划,实时给出机器人在当前状态和环境下的趋于全局路径的无碰撞路径和速度指令。为实现真实环境下的移动机器人动态目标实时跟踪,设计出一种融合深度信息的移动机器人视觉目标实时跟踪系统。基于核相关滤波器(KCF),借助深度相机采集的场景深度信息,提出一种深度图像下的边缘交叉搜索方法实现目标尺度框快速估计,提出轴向相对动能波动的方法进行目标跟踪失败检查,并且在目标丢失后通过历史模板池和扩大搜索区域实现目标丢失后找回。实验方面,在室内环境,借助搭载深度相机和单线激光雷达的移动机器人硬件平台,完成了场景栅格地图构建及路径规划实验,并实现了本文设计的融合深度信息的移动机器人目标跟踪系统;在室外园区环境,利用搭载多线激光雷达和GNSS、IMU传感器的无人驾驶汽车平台采集了园区环境信息并构建出三维高精点云地图,并在真实环境中进行了实时状态估计的实验,又利用降维技术生成对应的二维栅格地图,完成了路径规划实验。在室内和室外园区两种不同环境下的实验均表明了本文方法的有效性和可靠性。