当前随着电子技术和计算机技术的飞速发展，基于视觉的智能移动机器人导航己成为机器人学备受关注的研究热点。而物体识别作为机器视觉的核心问题，是一个成功的视觉导航系统所必须解决的关键问题。由于在机器人所获取的图像中，存在着尺度、光照、遮挡等大量复杂的非线性变化，传统的线性方法不能对之进行很好的描述，而一般的非线性方法需要对所有样本进行非线性映射针，因此计算非常复杂并容易引起“维数灾难”，最终会影响机器人识别的精度以及速度。针对这个问题，本文引入核方法，对基于核方法的适用于机器人物体识别系统的特征提取以及分类器设计方法展开了研究，主要内容包括：　　 (1)提出了一种适用于机器人的基于距离核主成分分析的物体识别方法。首先，通过距离核函数建立起输入空间与高维隐特征空间之间的关系，然后在隐特征空间进行主成分分析，最后依据最近邻准则进行分类。在ORL数据库以及机器人所拍摄的一般物体图像集上的实验结果表明，与传统的主成分分析相比，基于距离核的核主成分分析可以更好的描述图像中的非线性变化，运算时间比起主成分分析明显减少，更适用于机器人的物体识别。　　 (2)为了更好的处理具有更加复杂的非线性变化的图像，进一步满足机器人对识别算法的精度要求，将核熵成分分析引入机器人的物体识别中，提出了基于核熵成分分析的物体识别方法。与核主成分分析相比，核熵成分分析不再仅仅依据特征值的大小进行主成分的选取，而是根据所含熵信息的大小进行选择，比之核主成分分析更加合理。在Yale人脸数据库、UCI标准数据集以及机器人所拍摄的一般物体图像集上进行实验，结果表明基于核熵成分分析的物体识别方法的性能要优于基于核主成分分析的性能。　　 (3)作为一种非参数的分类算法，K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等，这就使得算法容易受到噪声的干扰，同时对于大的数据集，KNN的计算代价非常大，另外在距离的计算中，传统算法使用的是欧式距离，不能满足分类边界非线性的情况。针对上述问题，本文提出了一种改进的核K近邻分类算法：通过对近邻样本加权消除了K值的选取对分类结果的影响；通过对训练样本进行压缩解决了计算量过大的问题；同时引入核技巧，使之可以更好的处理样本边界非线性的问题。　　 (4)在以上算法研究的基础上，利用MATLAB GUI技术构建了基于核方法的机器人物体识别软件原型系统。该系统不仅能够实现物体（人脸）图像的识别，而且可以实现特征提取和分类器设计方法的仿真并给出各种算法的性能分析。