针对两轮自平衡机器人的直线行走自平衡控制问题,借鉴认知科学中人脑的双系统理论,建立通用认知模型,引入MDB(Multilevel Darwinist Brain,多层达尔文脑)认知发育范式,并基于此建立具有不同运算结构的发育算法模型。该类模型能够使机器人在与环境多次交互后,自主习得自平衡控制规则。针对MDB范式进化学习问题,在连续动作学习自动机(CALA:Continuous action learning automata)和进化策略模型(ES:Evolutionary strategy)基础上提出一种具有遗传特性的自主寻优算法,即基于进化策略的学习自动机模型(ESCALA),由动作函数、输出、学习函数三部分组成。动作函数为正态分布函数,输出依照正态分布随机选择,采用进化策略方法调整动作函数的参数。实验结果表明,ES-CALA能表现出自主学习特性。针对两轮自平衡机器人的直线行走自平衡控制问题,将多个ES-CALA并行组合构成CALA组,建立if-then结构的认知发育模型。该模型由动机模型、控制环路和学习环路构成。通过自主学习能力实验与自适应实验表明,机器人能够自主学习获得自平衡控制规则,并且能适应变化的环境,表现出MDB范式的基本特性。针对ES-CALA方法描述的控制规则对倾角进行控制时,会出现较小角度的波动问题。建立了改进世界描述的认知发育模型,能在保持自主学习能力的情况下,消除小角度波动。该模型由控制环路、规则进化环路和模型修正环路构成。在Simulink/MATLAB平台,验证其能达到预期效果。基于ES-CALA建立了发育模型,并提出一种改进的方法。对于ES-CALA可以建立级联网络,对于世界模型可以采用神经网络、支持向量机或是随机森林等计算单元,用于解决更加复杂繁琐的问题。