无人驾驶汽车、智能机床、智能机器人、智能电子皮肤等典型智能主体为现代社会发展提供了方便和支持,面对日益复杂的消费需求、制造工艺、多变复杂环境等多重因素影响,传统智能主体采用单物理域自主感知方法不足以因应这种复杂、高纬度、快速变化、非线性和不确定性的动态变化作用。为了避免复杂环境和条件下智能主体不准确甚至错误感知结果影响后续的自主推理、自主判断、自主学习、自主决策等智能能力的发挥,因此需要在采集稳定高质量的多模态信息前提之下,利用多物理域信息之间的互补关系、耦合关系等,通过信息融合恢复和重建因环境复杂多变带来的信息干扰和破坏,并对多物理域信息采用多种模式从多测度进行感知,提高感知的准确性和稳定性。针对了智能主体多模态信息融合问题,构建信息场与多物理域信息模型,阐述视觉模态和非视觉模态下大容量信息采集、并行处理、时频域分析与处理方法,提出基于图像质量最佳的机器视觉成像优化方法。该方法在Gopro和kohler测试基准上均取得当前最佳水平,目标识别准确率提高0.15mAP。并且对智能主体多物理域多模态信息并行融合问题,构建多物理域多模态信息多模式并行融合模型,提出基于改进变分自编码器的多物理域多模态信息融合方法。采用红外图像与数字图像进行多模态信息融合,图像语义识别交并比提高5.1%。研究了基于条件对抗学习的智能主体多模式自主感知方法,分析智能主体自主感知对其智能能力的作用机制的影响,采用基于CPS-Agent和视觉认知机制的对其自主感知进行建模,构建面向智能主体自主感知的领域知识库系统,通过条件对抗学习算法,优化基于隐马尔科夫链改进卷积神经网络,提出智能主体多模式自主感知方法。为了验证所提出的智能主体自主感知一般性方法的有效性,本学位论文设计无人驾驶沙盘和智能主体自主感知模拟系统,将上述的方法应用于沙盘中,试验表明,该方法能够在复杂环境下的稳定可靠快速做出感知决策,兼顾了准确性和实时性,对于无人驾驶汽车、智能机床、智能机器人电子皮肤等自主感知问题的解决,有很好的实际意义。