人类数千年来不断进步和发展的基础是生产力的不断提高,从奴隶制到封建制度,再到现代社会,其主要劳动人员也从奴隶变成农民,以及现代的工程师。现在,大家公认的是,下一代社会劳动的主体将会是机器人。所以针对机器人的应用和研究对社会的影响和人们生活水平的提高具有长远和积极的影响。公认的智能机器人研究方向主要有五个：机器本体、执行器、系统集成、人工智能、机器视觉。其中,人工智能和机器视觉的现有背景是,一是国际研究发展十分迅速；二是我国在该方向的现有水平是处于世界前沿；三是目前这两项被我国政府规划成为我国机器人产业在未来的重点发展方向。智能机器人必须具有一定的人工智能,即能够记忆、感知、推理、决策和学习。人工智能需要有通道才能获得外部的信息,其中机器人对外部的感知信息的通道虽然有很多,但是视觉占了其主要部分,所以基于视觉的对外部环境的感知是各国研究人员研究的重点方向之一。同时,为了完成人类赋予机器人的任务,智能机器人必须能够学会定位自己和规划自己的运动,从而学会行走,于是这一任务也变得十分重要。本文基于这些研究目标,以机器人视觉导航为主线,在研究和结合现有的人工智能的识别和优化两大领域的现有发展前沿的基础上,主要做了四个方面的工作：1.图像去噪。针对椒盐噪声,本文研究了遗传算法(Genetic Algorithm,GA)优化的BP神经网络(Back Propagation Network,BPN)和极限学习机(Extreme Learning Machine, ELM)两种智能算法并加以应用,一种是使用GA-BPN算法作为识别器,采用棋盘格图像作为训练样本的方法,训练出噪声识别器；另一种是采用ELM算法,结合Rank-Ordered Absolute Differences(ROAD)、Rank Ordered Logarithmic Difference(ROLD)算子,进行二次检测的方法,训练出适应于不同噪声密度的两个识别器,再对图像的噪声进行识别。在此噪声点识别的基础上,利用图像的整体信息,设计了一种加权滤波方法,对这些噪声点进行还原,实验结果表明,这两种方法对椒盐噪声效果均十分理想,特别是在高密度的情况下更加优异。2.特征提取。该部分总结了在边缘特征方面的工作,本文尝试采用小波理论的方法提取质量较好的边缘,具体使用遗传算法对图像小波变换的尺度进行选择,从而构成一种自适应的高斯小波尺度空间。融合该空间下不同尺度检测的图像边缘,使得整幅图像的边缘细节丰富清晰,具有更好的抗噪性能。3.环境理解。该部分结合交通标志识别的应用问题,研究了深度学习理论中卷积神经网络的LeNet-5模型,然后针对德国交通标志标准数据库的样本进行了识别,最终实验数据表明,现有的基于深度学习的方法要比传统的几种方法识别准确率要高,达到了预期的目标；同时实验数据表明,该算法也可以用作RoboCup救援机器人项目中的寻找受害者的工作。4.路径规划。为了解决机器人在复杂路况下的路径规划,本文在研究了现有的优化算法,对粒子群优化算法进行了适应该环境的改进,在融合了多样性算法中(Attractive and Repulsive Particle Swam Optimizer, ARPSO)和雁群算法(Geese Particle Swam Optimizer, GPSO)的优点,解决了其原有缺点后,形成了新的适合于本目标的优化算法ARGPSO。采用了栅格地图、基于行为路径规划选项。然后,定义了路径最短、拐弯最小以及安全距离等多个目标函数,选择了基于表现的适应度函数。再而,依据标准的多目标粒子群原理,设计了基于ARGPSO算法的基于多样性和雁群优化的粒子群多目标混合优化算法(MO-ARGPSO)。对该多目标算法进行了包括Pareto前沿寻找实验、收敛速度实验,以及机器人路径仿真规划实验,实验的数据结果表明该算法具有可以认可的寻优能力,达到了预设的设计目标。