当煤矿井下发生灾害后,救援机器人可以替代救援人员在第一时间进入灾区实施搜救工作,迅速探明现场环境、及时发现被困矿工,为快速救援提供科学依据。然而,灾后的煤矿井下环境异常复杂且未知,因此,要求救援机器人应具备环境识别、规划决策、运动控制等能力,以保证其在煤矿井下顺利完成救援任务。本文提出并构建煤矿蛇形测机器人系统,针对该机器人的位姿控制所涉及到的关键科学问题进行研究,包括机人器的相对定位、运动姿态的控制、自主越障的最优控制、对所处环境的有效辨识和自主避障等内容,并研制出一台用于灾后煤矿井下环境探测的蛇形机器人,旨在提高煤矿蛇形探测机器人智能控制和局部自主能力。在分析灾后井下现场环境的基础上,针对探测机器人的功能需求,设计并研制一种多关节蛇形机器人。该机器人机械本体采用正交关节连接,移动机构釆用自制叶片轮驱动。控制系统由硬件平台和软件系统组成,硬件平台为三层次分布式结构,由环境感知层、规划决策层和动作执行层构成。软件系统为功能模块化体系结构,包括环境探测系统、定位系统、姿态控制系统、越障避障模块、通讯系统和上位机系统六个功能模块。该蛇形机器人可为论文的理论及方法验证奠定基础。针对在煤矿井下封闭式复杂环境下的蛇形机器人定位问题,提出利用机器人运动轨迹曲率与航向角进行估计的方法代替传统的对巷道内复杂地面参数估计的思路,建立基于转向时蛇形探测机器人的定位模型。在此基础上,提出一种卡尔曼滤波算法和深度学习算法相结合的煤矿蛇形探测机器人航位推算的定位方法,该方法采用卡尔曼滤波算法对机器人航向角信号中的高斯白噪声进行剔除,再针对航向角信号中来自低频段的各种漂移,建立基于LSTM（LongShortTermMemory）深度祌经网络的陀螺仪输出值预测模型,对未来一段时间内陀螺仪的输出值进行预测,从而实现航位推算的相对定位。实验表明,该方法可以实现蛇形探测机器人的航位推算定位,机器人位置的最小相对误差为3,299×l0^-12cm,航向角最小误差为2.173×10^-5rad。针对煤矿井下不平整地面环境的机器人姿态控制问题,运用D-H（Denavit-Hartenberg）分析法对正交连接的蛇形机人进行运动学机理分析,构建两连杆三关节机构模型,可避免建立蛇形机器人运动学模型的复杂性。进而提出基于简化Serpenoid曲线的改进的运动控制函数方法,引入曲率误差,建立蛇形机器人蜿蜒、伸缩、抬头不同运动姿态的数学模型,推导不同运动姿态时蛇形机器人的偏转角、俯仰角和相对转角的控制函数,并将仿真得到最优参数运用到机器人的运动控制中,以实现适应复杂地面的蛇形机器人运动姿态的控制,为机器人实现自主越障和避障功能奠定理论基础。针对机器人在自主越障过程中对关节俯仰角如何确定的问题,提出改进的粒子群优化权系数的极限学习机（Particle Swarm Optimization Extreme Learning Machine,PSOELM）位姿控制算法,该算法推导出动态的惯性系数,利用改进粒子群算法优化极限学习机的隐层矩阵权系数,欲达到优化隐层矩阵的目的,以克服传统极限学习机由于隐层节点参数随机选择而导致网络性能达不到最优的缺点。仿真实验表明,PSOELM算法不仅延续了ELM快速学习的特点,而且在控制精度、快速寻优特性及稳定性方面比ELM更好,可以实现对机器人关节俯仰角的最优控制。针对在未知环境下机器人环境辨识建模问题,提出基于遗传算法的变结构模糊神经网络（Genetic Algorithm variable structure fuzzy neural network,GAVSFNN）多传感器数据融合算法,该算法将神经网络引入到模糊规则的推理中,建立基于概率论的改进模糊控制规则,通过改变与简化神经网络结构来调整模糊规则库,实现模糊隶属函数的自学习和模糊规则的优先提取。采用遗传算法优化变结构模糊神经网络的学习参数,以克服常规BP算法易陷入局部最优的缺点,实现参数的快速和全局寻优。实验结果表明,相比较VSFNN算法,GAVSFNN可以获得对环境模型更高的辨识精度,平均误差为2.725′10-3。在此基础上,建立基于知识库的机器人自主避障系统软模型,以产生避障行为命令对机器人的偏转角进行控制,实现自主避障功能。以研制的多关节蛇形机器人为平台,与论文提出的几种算法结合,组成煤矿蛇形探测机器人实验系统,在西安科技大学实训基地模拟煤矿巷道中进行现场实验,实验表明,本文所提出的理论和方法可为煤矿蛇形探测机器人在灾后井下非结构化复杂环境中的位姿控制提供理论支撑,也为蛇形机器人在其它灾害环境的位姿控制研究奠定基础。