随着移动机器人研究不断深入,使其具有越来越多的功能,能够完成不同任务。其中多传感器信息融合和避障决策是移动机器人技术应用中的重要研究方向,本文面向移动机器人在信息融合中融合精度不高,在已知环境和未知环境中避障决策方法效率低的问题,主要完成的研究内容如下:首先,构建移动机器人运动原理数学模型,完成移动机器人系统搭建和器件选型等工作。对于外部环境信息采集部分,测量障碍物距离信息传感器采用的是以超声波和红外线为主的传感器。其次,多传感器信息融合方法研究,包括了多传感器信息融合的基本原理、融合结构与层次和基本方法。根据所搭建移动机器人的系统结构,采用集中式融合结构和数据层次融合,并结合加权平均法和卡尔曼滤波法对传感器所测量的信息进行直接处理。在静态测量环境中提出一种加权卡尔曼滤波信息融合方法。在动态测量环境中采用扩展卡尔曼滤波信息融合方法。然后,移动机器人已知环境避障决策方法研究,分析了避障决策的基本方法和避障策略。综合基本避障决策方法,主要对人工势场法进行研究。针对传统人工势场法存在局部极小值问题,提出一种基于模拟退火算法的人工势场法。该方法主要过程为利用模拟退火算法在出现局部极小值的位置附近增设随机目标点,引导移动机器人逐渐逃离该区域继续向前运动。通过MATLAB仿真证明,所提出的方法不仅能使得移动机器人逃离局部极小值位置,成功到达目标点位置,并且与其他方法相比用时较短,更加稳定。再次,移动机器人未知环境避障决策方法研究,介绍了强化学习的主要内容。主要研究了强化学习中Q-learning算法,针对该方法缺少早期未知环境的认知信息的问题,导致移动机器人早期阶段搜索速度慢,未能快速寻到最短路径。因此提出了一种改进Q-learning算法,该方法的主要原理是利用人工势场法中引力场势能值作为未知环境早期认知信息对Q值函数进行初始化,解决了搜索初期速度慢,收敛效率低问题。通过仿真实验对比证明,改进Q-learning算法在训练次数较少的情况下获得了较好的寻优效果,具有较高的学习效率。最后,实验验证与结果分析,进行多传感器信息融合实验,分为静态测量融合实验和动态测量融合实验,验证了在不同情况下的融合方法均提高移动机器人测量融合精度。在已知环境和未知环境中进行移动机器人避障决策实验,验证了在不同环境下的两种改进的避障决策方法的可行性与优越性。