足式机器人的平衡控制是其走向实用化的先决条件,近年来对平衡控制问题的研究目标已从完成确定环境内的动作,过渡到如何在未知、不确定环境内获得对环境扰动具有强鲁棒性的自稳定能力。现有的平衡控制以基于动力学模型的控制器为主,虽然随着机器人本体驱动能力、响应速度等指标的提高取得了相当成功的实验结果,但仍难以从根本上解决对未知、不确定环境的适应问题。针对现有平衡控制器在设计阶段只考虑有限的扰动情况,导致对未知、不确定环境鲁棒性弱的问题,本文以多自由度运动平台的限幅随机运动模拟环境的随机扰动,首次提出并研究通过稳定性训练和智能学习获得足式机器人全域自稳定能力的方法,这里的全域自稳定能力是指在机器人驱动能力允许的范围内适应任意大小、方向和种类的环境扰动的能力,本文主要研究内容分为以下几个方面:提出并设计基于智能学习算法的足式机器人全域自稳定器。分析训练平台运动与所施加的扰动之间的关系,建立通用的足式机器人训练系统模型,定义全域自稳定器的状态与行为空间,设计全域自稳定器的总体结构并进行任务分解,基于Q学习和RBF网络提出各功能模块的学习与决策算法。针对全域自稳定器的训练数据获取问题,构建包含不同平衡控制策略的控制器。将ZMP的力反射控制拓展到三维空间内的任意斜面上;提出基于Capture Point的姿势平衡控制方法,分别通过理论证明和仿真验证其控制稳定性;提出基于动能调节的抗冲击扰动平衡控制方法并进行仿真验证;对所推导的平衡控制律进行组合,构建多种不同的平衡控制器,用于生成全域自稳定器的训练数据。研究全域自稳定器的学习加速收敛方法,解决由高维连续系统空间引发的学习收敛困难问题。为了缩减系统空间的维数,提出基于互信息理论的特征选择方法（RAFS方法）;使用最大隶属度原则对状态空间进行分割,提出基于高斯基函数的状态空间自律划分方法;在多个数据集内对比RAFS方法与现有方法的特征选择效果;对单自由度扰动下的训练数据进行学习,对比状态空间自律划分前后的学习效果,验证所提出的方法对全域自稳定器的加速收敛作用。为加强运动平台施加扰动的能力,对其进行机构参数优化,并研制双足机器人稳定性训练用的运动平台系统。对机构参数优化涉及的并联机构正运动学问题,提出基于伪弧长同伦延拓法的空间连杆机构通用正运动学数值解算法;以稳定性训练中施加扰动的能力为目标建立机构参数优化模型,使用粒子群算法进行求解得到最优机构参数;根据优化结果进行运动平台系统的研制。以GoRoBoT-Ⅱ型双足机器人为对象,分别在仿真与实验环境内进行全域自稳定器的稳定性训练,并对训练完成的全域自稳定器进行验证。在运动平台施加限幅随机扰动的条件下,应用多种基于模型的平衡控制器,进行双脚站立、单脚站立、随机踏步三种运动下的稳定性训练与验证仿真;将仿真得到的全域自稳定器移植到GoRoBoT-Ⅱ机器人系统中,进行稳定性训练与验证的实验研究,对比训练前使用基于模型的平衡控制器和训练后使用全域自稳定器的效果,验证全域自稳定器的有效性。