基于同步定位与建图（Simultaneous Localization and Mapping,SLAM）的导航是机器人领域的研究热点,其中SLAM是机器人在导航中定位自身和构建环境地图的一种精确有效的方法。为提高室内导航的精度和人机交互可视化,针对传统SLAM在室内导航中精度和实时性较低等问题,提出了基于生物激励神经网络（Biological Inspired Neural Network,BINN）的室内实时激光SLAM方法,并通过ROS（Robot Operating System）在仿真和实际环境中对提出的方法进行测试和验证,该研究对于促进机器人导航技术的发展颇具现实意义,主要工作和结果如下:（1）受运动过程中噪声以及其他外部因素的影响,移动机器人的运动状态通常较难被精确地描述。通过栅格地图表示法、圆弧运动规律、三角测距原理以及似然场模型构建了环境地图模型、机器人运动模型、激光雷达观测模型和里程计模型。通过上述模型将传感器数据转换为机器人所需信息,从而更加准确地模拟其运动过程以及对环境的感知。结果表明,机器人直行和旋转的最大误差分别为2.8%,2.22%。（2）鉴于传统RBPF（Rao-Blackwellised Particle Filter）-SLAM因里程计读数误差及外部因素的影响,导致机器人定位和构建的环境地图效果不佳。通过分析传统RBPF-SLAM的原理及建议分布函数的表达形式,采用基于激光观测数据的机器人相邻两时刻的位姿差代替传统建议分布函数中里程计的输入,实现了对传统RBPF-SLAM的改进。通过ROS和自主搭建的机器人硬件平台,对仿真和实际环境中的导航精度展开测试和分析,实现了机器人位姿估计与周围环境地图的构建。结果表明,改进后的RBPF-SLAM的最大定位误差为9.40%,最大建图误差为10.41%,而传统RBPF-SLAM的最大定位误差为23.40%,最大建图误差达18.18%。（3）由于移动机器人的自主导航中,突发的动态环境变化会降低导航的精度和实时性。通过将BINN算法引入改进的RBPF-SLAM中,提出基于BINN的室内实时激光SLAM方法。通过ROS和Rviz可视化平台,对提出的方法在仿真和实际环境中的导航性能展开测试和分析,实现了动态实时自主导航,并提高了导航精度和实时性。结果表明,相比于A（9）和Dijkstra算法,本文规划的路径长度减少了7.09%,路径转折次数减少了14.29%,室内导航时间减少了6.97%。