认知机器人是具有仿人高级认知能力的智能机器人,近年来在人工智能领域受到了广泛的关注。认知发育能力能够使机器人在复杂的环境中执行非特定的任务,有助于机器人提高自主化水平并改善人机交互效果,促进机器人更好地为人类服务。认知机器人实现与人类交互、为人类服务的基础是具有与人类相同的知识基础,从而理解人类的指导与行为。因此,本文主要研究认知机器人在日常生活场景中对物体概念的认知发育。认知发育模型需要有实时学习、长期记忆、自主总结的能力,受人类婴儿认知发育理论及脑科学生理研究的启发,本文建立了基于增量式自组织神经网络的认知发育模型,主要包括以下内容:（1）现有的认知发育模型只能处理已知模态的知识,无法在线处理新类型的感知模态。针对此问题,本文提出了基于RE-SOINN（Relation Evolution SOINN）的可扩展认知发育模型,它允许以在线方式将新类型的模态添加到现有的认知网络。该模型包括三层网络,样本层、符号层和关联层,首先,每种模态（例如颜色、形状、名称）都有一个相应的处理通道,样本层以无监督的方式增量地学习和自组织并输出当前输入的聚类结果,符号层接收样本层学习结果并将其抽象为符号表示;其次,关联层通过RE-SOINN实现新模态与现有认知网络的融合,RE-SOINN通过提出的询问和调整策略对新旧模态的激活结果做出反应——创建新节点、扩展权重或解决冲突,从而,在现有关联关系中添加新信息以实现关联关系的进化。在水果和蔬菜数据集上进行了模态顺序学习的实验,实验结果表明,该网络可以在任何时刻有效地学习新的模态并将它与已学习的模态信息相结合。（2）针对可扩展认知发育模型未学习特征语义概念的问题,提出了结合元信息和半监督学习的自主认知发育模型,通过元信息对视觉特征的注释学习特征的语义概念。该模型包括视觉处理网络、听觉处理网络和特征关联网络,听觉处理网络通过语法获取元信息,利用获取到的元信息注释物体的视觉特征;视觉处理网络包括形状和颜色的处理通道,以半监督的方式增量式地学习和自组织;特征关联网络建立视觉与对象名称之间的关联关系,并加入了记忆模型,从而实现巩固正确知识、遗忘错误表示。该模型还包括一种新的回调策略,即如果输入没有激活关联节点,网络会通过推理寻找与它最相似的特征组合。基于水果和蔬菜数据集实验结果表明,该模型能有效地在线学习和关联物体的视觉特征和名称,且能够学习特征的语义概念。