移动机器人在未知环境中如何实现对自身位置的实时定位以及对环境认知地图的构建一直是困扰机器人同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)研究中的两个关键问题。基于传统数学概率方法的SLAM研究,受算法自身缺点和传感器精度的限制不能被广泛应用。视觉SLAM(Visual SLAM,VSLAM)将相机作为外部视觉传感器,通过对相机获取的环境图像信息进行特征提取、描述与匹配来实现对机器人位姿信息的推算,在此基础上完成环境认知地图的构建。与传统的SLAM方法相比,VSLAM以其较好的实时性和闭环检测功能成为近些年来SLAM方向研究的热点。本文以鼠脑细胞导航的仿生SLAM模型为基础,针对移动机器人学习和认知环境过程中的存在的光线角度变化和突发障碍物问题提出改进方法。针对SLAM问题中传统概率算法存在计算量大、复杂度高、易陷于局部最优解等问题,本文将鼠类脑细胞中局部场景细胞(View cells)、网格细胞(Grid cells)、位姿细胞(Pose cells)等具有定位导航功能的细胞应用于SLAM研究中,分别研究各细胞的相互关系以及对SLAM的影响,围绕局部场景细胞、位姿细胞和网格细胞的模型,建立一种基于多细胞导航机制的GVP-SLAM(Grid cells+View cells+Pose cells-SLAM,GVP-SLAM)并构建认知地图,在此模型基础上添加一种基于特征参数和方向参数的动态增长自组织特征图(Dynamic Growing Self-Organizing Feature Map,DGSOM)神经网络模型,并将此神经网络模型应用于提出的GVP-SLAM模型中。选择多种传感器搭建实验平台,验证GVP-SLAM模型的可行性和有效性。多细胞导航机制的GVP-SLAM模型通过局部场景细胞在环境中学习独特场景,通过头方向细胞和位置细胞以及相互关联的竞争型神经网络形成位姿细胞表征当前位置,局部场景细胞和位姿细胞协同完成拓扑化的认知地图。基于SURF特征匹配算法对旋转、尺度变换与亮度保持不变性,减少了认知地图构建过程中错误认知点进而提高场景特征点匹配率。借鉴网格细胞场景重定位机制和闭环检测算法,避免光线角度变化对SLAM的影响,提高了定位精度。提出的DGSOM神经网络模型通过加入特征点避免图的混淆,通过加入运动方向减小学习量。融合加速度计和陀螺仪更精准地实现对移动机器人运动过程中速度和角速度的测量,避免基于局部场景细胞在突发障碍物影响下的判别失效;融合激光测距仪实现移动机器人对突发障碍物的快速检测和实时避障。本文将生物学概念引入传统的SLAM模型,并形成数学建模、软件仿真与实验验证一体化循序渐进的研究体系,利用鼠类混合细胞和神经网络衍生出的数学模型分析系统的鲁棒性和实时性,为移动机器人SLAM研究领域多样化提供重要的理论参考。