信息融合技术研究如何有效的利用更多的信息，通过降低信息的模糊性与不全面性，实现对客观对象有效的认识与描述，最终给出正确的决策。融合多个传感器所测量到的信息能够有效的解决智能移动机器人在复杂、未知、动态环境中的导航问题。但是针对不同的机器人控制系统与特定的环境，选取的信息融合算法也不尽相同。由于每个信息融合算法都有固有的缺点，到目前为止还没有一种融合算法能适合于所有的机器人控制系统及运行环境，因此对信息融合算法的改进有待于我们进一步的研究。本文以信息融合算法中的神经网络与模糊逻辑算法作为重点研究对象，以对算法做出改进优化应用于机器人导航中作为主要研究目的。针对BP神经网络权值调节收敛比较慢的问题，通过使用学习率的调节因子，在训练过程中自适应的调节学习率的大小，减少训练时间。设计两级BP神经网络系统模型用于对障碍物类型的识别，把信息融合的过程分成特征层的融合与决策层的融合，提高了系统的鲁棒性与灵活性。仿真结果表明该模型能够有效的识别障碍物的类型并且权值调节收敛速度快。本文结合了神经网络与模糊逻辑算法的优点，构建一种模糊神经网络控制模型实现智能移动机器人在未知环境中的实时导航。使用神经网络学习算法调节隶属函数的参数；设计一种学习算法用于自动减少冗余的模糊规则；采用状态存储方案解决机器人导航中的“死区”问题。通过软件仿真验证该模型的有效性。