微型机器人是近年来研究的热点,在群体机器人,环境勘探,搜寻搜救等领域应用广泛。避障是微型机器人自治控制的重要能力,目前的避障主要依赖红外线,超声波和雷达,然而这些系统对于环境条件要求苛刻,所以极大地限制了微型机器人的自主性能。针对上述局限性,本文将视觉传感器应用于微型移动机器人以提升避障自主性。另外,视觉传感器软硬件结构复杂,耗费的经济成本和时间成本高,而微型机器人结构简单、计算资源有限,为了解决这一矛盾,借鉴蝗虫视觉神经的生理学研究成果,构造复杂环境下的避障神经网络,以此为导向实现微型机器人复杂环境下的避障感知。本文的主要工作有:（1）针对CDNN（Collision Detection Neural Network）网络对背景杂波抗干扰能力差的问题,基于碰撞检测神经网络的结构特性,借助HSV彩色分割方法,构建由彩色图像输入的径向运动模式识别神经网络模型CDNN-SV（Collision Detection Neural Network with Saturation and Value）,并提出相应的神经网络算法。理论分析表明,该算法的计算复杂度由输入视频图像的分辨率决定;基于不同视觉刺激下的数值实验结果显示,该神经网络不仅能揭示径向敏感神经元的特定视觉感知特性,而且能有效预警复杂环境下的碰撞。（2）针对微机器人资源受限以及自主性不强的问题,采用由整体到细节的思路对微型自主轮式机器人的仿生视觉系统进行软硬件设计,充分考虑算法复杂度以及机器人自身资源的压力,均衡二者最大化机器人的自主性能。结果表明,相较于已有的视觉微机器人,本文微机器人仅采用一个MCU（Microcontroller Unit）进行视觉模块和运动模块控制,耗费更少的能源及成本。（3）针对微型机器人现实环境下的避障问题,设计实物实验,搭建运行平台,借助现有设备对神经网络响应以及机器人避障轨迹进行分析,并重复10组对照实验统计避障成功率。实验结果表明,仿生视觉方法不仅能最大化微型机器人的资源利用率,而且能有效提升微型机器人避障的实时性与自主性。