在人工智能理论与技术逐渐被人们广泛熟知并使用的今天,人工智能热度居高不下,在各行各业都有着亮眼的表现。从工厂运输到智能家居,智能移动机器人,作为可以根据不同任务场景融入各种不同人工智能技术的仿人类高科技产品,为人类的工作和生活娱乐都提供着巨大帮助。不管是在工业、商业还是服务业上,移动机器人都有着极大的发展潜力和经济利用价值,而自主定位与导航作为移动机器人的必要任务之一,是执行其它任务的功能基础,一直都未被科研人员忽视。自主定位导航技术是自主地图构建、实时环境定位、自主运动规划与控制技术的统称。它可以帮助移动机器人处于各种环境中,在不依靠人工操作的条件下完成移动任务。本文主要围绕移动机器人自主导航与全局定位问题,展开了两个方面的研究。首先,本文提出了一种将外部存储器融入导航模型之中的记忆增强型网络模型,将神经网络在存储能力上做出扩展,使得模型能够存储更多的场景信息。本文选择了基于A3C的强化学习模型和具有外部存储能力的DNC模型,在DeepMind Lab虚拟环境中进行了试验。同时,在导航网络模型中引入指导策略权重,由该权重来决定两个并行策略网络对最终策略的决定权力大小,最终与Nav-A3C方法进行比较,显示了该方法在复杂三维环境中的优势。然后,本文提出了一种地图尺寸自适应的主动神经定位方法,通过对不同尺寸地图切割与拼接的方法,使得一次训练便可以适用于各种尺寸大小的地图环境。该方法避免了在网格地图训练中无法对网络输入进行大小调整,针对不同尺寸地图需要重新训练的问题。在该模型中另外提出了一种基于条件生成对抗网络模型的地图匹配方法,大大缩减了因地图匹配模型所消耗的内存与时间。实验通过二维地图与Active Neural Localization进行了对比,并且加入了视角转换模块,在Minecraft三维地图进行了试验,证明了其有效性和优越性。