移动机器人主要通过视觉、触觉、距离等传感器来感知外部世界。研究如何利用移动机器人视觉对环境的识别具有重大的理论意义与实际意义。利用神经网络进行图像模式识别是一种近年来行之有效的方法。传统上,利用神经网络进行图像模式识别时,一般都要先提取图像特征,然后选取研究者认为最重要的部分特征送入神经网络识别器进行训练与识别。但选取什么特征,保留多少特征,至今并没有一个统一的方法。论文改进了本实验室提出的基于遗传算法的部分连接神经网络(PARCONE),使之可以在数万输入的情况实现对环境的识别,并用于实际的移动机器人的视觉环境识别。该网络允许大量的输入神经元,而不会陷于“维数灾难”;该神经网络的中间层是网状连接的,但每个神经元只与固定数目的其他神经元相连。训练时,不对图像作特征提取,而是直接把移动机器人观察到的图像的所有像素作为神经网络的输入。利用遗传算法对网络中的各个连接及其权值进行优化选择与计算。该网络透明地选择了环境的重要特征,避免了人为选择特征造成的信息缺失。在识别阶段,将环境图像的所有像素作为网络的输入,经过网络的计算,其输出就是识别结果。论文以Visual C++6.0为平台,研究基于PARCONE算法的移动机器人视觉环境识别系统,并将算法应用到实际的NAO机器人上,实现移动机器人利用视觉对环境的识别。实验表明,本文提出的部分连接网络对环境图像有较好的识别能力,并且对亮度、缩放、旋转等变化有较好的鲁棒性,能使移动机器人较为准确地识别环境。