同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）研究如何同步解决机器人自定位和环境建模问题,是移动机器人实现智能化的一个关键技术。在过去的三十年中,基于随机系统理论的传统SLAM算法研究取得了显著的成果,涌现出了诸如基于卡尔曼滤波器的SLAM（Extended Kalman Filter-based SLAM,EKF-SLAM）、FAST-SLAM算法等基于概率滤波的经典解决方案,以及Cartographer、Loam等基于图优化的优秀解决方案。但是这些方法存在复杂度高、计算量大、环境适应性差和不适用于大规模环境等问题,因此并不能满足机器人智能化作业对定位和环境建模的需求。相比于基于图优化的SLAM和基于滤波的SLAM方法,仿生SLAM算法以生物神经系统机理为依据,在环境适应性方面具有较大的优势。澳大利亚Milford通过模仿鼠脑神经运动学,提出了具有生物学合理性和对复杂环境具有高度适应性的仿生导航算法——RatSLAM。本文以RatSLAM模型为基础,针对闭环检测存在误匹配较多的问题研究提高视觉模板鲁棒性的方法,并基于优化后的经验地图研究仿生路径规划方法,主要包括基于RatSLAM算法的环境建模、融合频率调谐（Frequency-tuned,FT）模型的视觉模板匹配,以及基于记忆融合的路径规划三个方面内容。本文的主要工作如下:首先,研究RatSLAM模型中局部场景细胞、位姿细胞网络、视觉里程表和经验地图各模块的算法原理。针对RatSLAM模型中闭环检测方法存在较多误匹配的问题,提出了将显著性模型应用于RatSLAM系统中视觉模板的提取的研究思路。其次,RatSLAM生成的视觉模板完全取决于像素强度,且容易受到光照强度变化的影响。针对RatSLAM系统中视觉模板的鲁棒性不足的问题,使用FT模型提取出图像的显著特征,增强了生成的视觉模板的鲁棒性,进而提高闭环检测的精准率。再次,研究基于记忆融合的路径规划问题。针对通过情景记忆模型实现的路径规划并非全局最短的问题,提出了一种潜在路径检测网络,用于对潜在的安全路径进行判断,将探索到的安全路径与原有的地图融合,从而解决路径优化问题。最后,搭建实验平台,使用灵眸相机在多个场景采集实验数据。将基于FT模型的RatSLAM算法与传统的RatSLAM模型建立的认知地图进行对比,从局部场景细胞活性、闭环检测的结果和地图的精确性等方面进行分析;将基于情景记忆模型的路径规划算法与融合潜在路径检测网络后的算法进行对比,从规划出的路径长度和拐弯次数方面进行分析。通过多组数据验证所提出两个算法的有效性。