室内移动机器人自主导航问题一直是机器人领域的研究热点。大多数移动机器人的自主导航方法,需要对机器人所处环境进行表征。在早期的研究中,研究者们通常用精确度量地图对机器人所处环境进行表征,机器人根据精确度量地图进行自主导航。然而,精确度量地图的采集与制作既费时又费力。此外,基于精确度量地图的自主导航方法通常难以迁移到新的环境中,对于每个新的环境都要进行新一轮的信息采集和地图制作。为了解决这个问题,研究者们尝试用更加抽象的方式对机器人所处环境进行表征。例如,基于语义地图的环境表征,利用计算机视觉进行环境表征等。此外,为了更好的适应现实环境,近年来研究者们还提出,智能机器人应该具备理解自然语言指令的能力。为了解决这些问题,机器人自主导航问题衍生出了用深度学习进行自主导航的研究方向。基于语义地图和自然语言的路径规划以及基于机器视觉和自然语言的自主导航是基于深度学习的自主导航技术的重要组成部分。通过对移动机器人自主导航方法的研究,本文提出了一种注意力机制,对基于语义地图和自然语言的路径规划方法进行改进,不仅提高了准确率,还提高了模型的泛化能力;在基于机器视觉和自然语言的自主导航技术上,本文着重研究了多模态特征的处理方式,提出了一种基于注意力的多模态特征融合方法,能够有效地结合各种不同模态的特征,提高模型的准确率。本文的主要贡献包括:1)针对基于语义地图和自然语言的路径规划问题,本文从该问题的基本特性出发,将该问题视作子集抽取问题进行处理,并以指针注意力为基础提出了指针注意力网络,提高了基于语义地图和自然语言的路径规划问题的精度表现。此外,本文还提出了一种改进的Seq2Seq模型,在仅提高少量计算复杂度的前提下,提高了模型的精度表现。相对于指针注意力网络,该模型更注重速度和精度之间的平衡。另外,本文在虚拟环境中构建了训练集中的对应环境。并利用训练好的模型,基于自然语言指令和语义地图为虚拟环境中的机器人进行路径规划。测试结果证明了方法的可行性。2)针对基于机器视觉和自然语言的自主导航问题,本文从特征处理以及特征融合的角度出发,以自注意力机制为基础设计了多模态特征融合网络。通过对特征提取、特征融合、训练方式等多方面改进,使模型充分利用自然语言特征,低级视觉特征和高阶视觉特征,从而提高模型的精度表现。此外,本文提出的多模态特征融合网络具有灵活结构,可以适配需要处理更多模态特征的场景。通过在VLN的基准数据集R2R数据集,R4R数据集上的实验以及NDH基准数据集CVDN上的实验,证明了多模态特征融合网络对两种基于机器视觉和自然语言的自主导航任务都有很好的效果,具有很好的泛化能力。此外,本文将训练好的模型部署在移动机器人上,并在真实环境中进行测试。测试结果表明方法具有一定的可行性。