在机器人控制领域内,根据控制目标设计出的适用于特定场合的CPG神经网络具有控制变量少、节律性强、输出运动模式多样等诸多优势,因此广泛地应用于机器人运动控制当中。但这类传统的人工CPG网络过于侧重控制功能,而忽视了实际生物神经发育的特性,一旦新的控制要求被提出,往往需要重新构建网络,导致网络功能的适应性和继承性较差。伴随着生物神经学的发展,学者们提出了将CPG网络的生长发育过程和实际控制功能结合在一起,使所建模型具有更丰富多变的控制功能。但是目前这一领域研究尚在初始阶段,且大多侧重于形态模拟方面,而缺乏实际应用。因此,本文在CPG自生长网络模型的基础上,通过分析动物运动特点来建立自生长网络的评价模型,并结合四足机器人控制需要与卡尔曼滤波机理建立了CPG自生长网络的优化修正方法。首先,分析动物的行走速度与能耗、步态的关系,确定了四足机器人不同行走速度下的最优行走方式及腿间协调关系,进而给出不同行走方式间相互转换的步态衍生图,基于该图建立自生长网络输出信号的评价模型,并给出了步态连续切换的依据。其次,在网络生长参数与控制信号输出关系相对应的基础上,通过深度优先搜索算法找到满足上述评价模型的信号传递路径;在此基础上,结合生物神经元生长连接特性和四足机构实际控制特点,建立了预估修正模型,指导不同速度下输出为trot步态的CPG自生长神经网络形成;接着利用机器人对行进状态的感知信息,提出了基于机体感知的相位调整策略,建立了环境反馈修正模型。再次,基于卡尔曼滤波的思想,建立了融合预估评价修正和环境反馈修正的组合优化修正方法,并针对实例进行仿真实验验证了本文算法的良好逼近能力和快速修正能力。最后,搭建四足机器人仿真平台,进行了Matlab和Adams联合仿真实验,实验结果验证了自生长网络修正算法对机器人行走学习的有效性、对速度指令的跟随性和对环境变化时的姿态快速调整能力。在此基础上,针对实验室特定的Rhex机器人样机,修改评价模型并将网络输出信号经过调幅及分段加权处理后进行了运动实验,验证了CPG自生长网络应用于机器人实际控制的可行性。