随着科学技术的发展，移动机器人技术也进入了新的发展阶段，机器人的智能水平正向更高的层次发展。神经网络作为智能技术的重要方面也得到了长足的发展，并出现了第三代人工神经网络——Spiking神经网络。由于Spiking神经元模型更接近真实生物神经元，因而引起了神经网络研究领域的广泛关注。本文结合Spiking神经网络，对移动机器人行为控制和环境感知问题进行了研究。主要内容如下：　　 ⑴对移动机器人研究的关键问题、体系结构、研究现状及发展趋势等进行了介绍，综述了神经网络技术的发展及其在移动机器人中的应用，并介绍了选题背景和内容安排。　　 ⑵介绍了Spiking神经网络的产生、Spiking神经元模型及编码方式、Spiking神经网络的训练方法等相关基础知识。　　 ⑶提出了基于多超声传感信息的Spiking神经网络避障行为控制器的设计，并对相应的实验结果进行了分析、讨论。该控制器中神经网络的训练采用基于Spike的Hebb学习规则，使机器人可以在线学习。实验结果表明：该控制器结构简单，易于实现，可以实现有效的避障。　　 ⑷提出了基于Spiking神经网络的墙壁跟踪行为控制器的设计，并进行了仿真实验，实验结果证明了墙壁跟踪控制器的有效性。在避障控制器、墙壁跟踪控制器的基础上，设计了无碰撞趋向目标点的复合行为导航，仿真实验验证了所设计的导航控制器的合理性。　　 ⑸在多超声传感器测量信息融合的基础上，研究了基于Spiking神经网络、主元分析、核主元分析、基于Levenberg-Marquardt算法的BP网络等智能计算方法在移动机器人环境感知问题上的应用。针对常见的七种走廊场景，设计了基于上述方法的走廊场景分类器，并从分类效果、方法鲁棒性等方面进行了分析、比较。基于核PCA和Spiking神经网络的走廊场景分类方法均具有较好的分类效果和较强的鲁棒性。　　 最后，总结所取得的研究成果，并展望可以进一步展开的工作。