随着科学技术的发展，机器人学的研究已经从最初的工业领域拓展到航空航天、军事等许多不同的领域，其中有些作业环境不适合人类的直接参与，例如危险的矿井、核废墟等，这就需要机器人在这些未知环境中能够自主地完成各种智能任务。自主环境建模(或称地图创建)是实现自主导航及完成各种复杂智能任务的关键，也集中体现了机器人的感知能力和智能水平，在实际应用中具有十分重要的意义。本文主要研究智能信息处理领域的粗集理论和人工神经网络方法在移动机器人未知环境建模，特别是在环境障碍物识别中的应用。 本文首先对移动机器人环境建模的相关内容以及研究现状等进行了综述性介绍，并对本文的选题背景和主要内容作了介绍。 其次，学习矢量量化网络(LVQ网络)的结构特性为实现声纳数据的处理从而进行室内典型障碍物的识别提供了一种有效的工具，基于此，本文提出一种多网络的分层目标体识别结构。该网络分类器的理论依据是不同障碍物之间存在着回波振幅和声纳TOF(time-of-Flight)数据的差异。本文分别研究了噪声、振幅、声纳TOF数据的偏移、距离以及目标体(锐角和边角)的角度等因素对系统分类性能的影响。实验表明，该方法对上述各种影响因素具备一定的鲁棒性，从而使得移动机器人能够在较大的距离范围内快速、可靠地识别室内各种典型障碍物。 第三，本文提出一种基于分层递阶约简算法与多LVQ网络相结合的障碍物识别方法。根据粗集理论中的分层递阶约简算法可以得知，距离信息已知时，任一类振幅信息都携带有效的类别信息。这一决策规则为多LVQ网络分类器的设计提供了理论依据。该方法能够有效拓展室内各种典型障碍物的平均探测范围，特别是平面和直拐角的探测范围，从而在一定程度上改善了先前提出的神经网络方法。同时，该方法的使用，有效避免了基本粗集理论在目标体识别应用中的局限性，提高了其识别精度以及对声纳数据缺失和不精确问题的鲁棒性。与传统的障碍物识别方法相结合，移动机器人利用该方法能够快速、准确地完成室内环境中各种典型障碍物的识别工作。