移动机器人应用环境具有日趋复杂和非结构化的特点，未知环境探索已经发展成为移动机器人研究领域中的一个重要研究方向。机器人未知环境探索可广泛应用于外星球探索、军事侦察、灾难搜救等领域，如何提高机器人的自主探索能力以及对环境的适应性是机器人未知环境探索的研究热点之一。路径规划作为未知环境探索的一项基本任务，是移动机器人智能化研究的基础性研究课题之一。　　本文在分析了移动机器人路径规划国内外的发展现状，并对目前存在的几种局部路径规划方法进行分析和比较的基础上，围绕基于模糊控制决策移动机器人局部路径规划方法，进行了以下的研究工作:　　(1)基于PSO参数优化的路径规划行为系统的设计　　基于机器人未知环境探索的智能行为，搭建了机器人局部路径规划行为系统。将超声波传感器获得的障碍物距离信息进行处理，把经过处理的移动机器人左方、前方、右方的障碍物距离和目标点方向角作为模糊控制器的输入，采用基于模糊控制器的决策方法进行智能行为决策推理，以获取机器人的运动速度及转向角，将粒子群优化算法(PSO)应用到模糊控制器的隶属度函数阈值参数优化中，采用一种以PSO优化模糊控制器的方法，利用PSO优化模糊隶属度函数的阈值。通过在不同环境中进行仿真对比实验，验证了采用PSO优化模糊隶属度函数的阈值的方法可以有效的改善机器人路径规划中出现的左右摇摆和陷入U型障碍物问题。　　(2)基于比例因子的变论域模糊控制器的设计　　基于模糊控制器的插值机制和伸缩因子机理，将环境进行典型分类，通过优化模糊控制器的论域，使得不同环境的模糊论域伸缩，使得相同规则的模糊控制器应用于不同的局部路径规划环境获得更适于环境的决策。为避免PSO寻优过程中粒子爆炸问题，引入比例因子，将隶属度函数的阈值用比例因子表示，采用PSO对比例因子进行优化。通过仿真对比实验，验证了方法的可行性，并且结果表明采用比例因子的方法可以有效的减少迭代次数、提高路径规划效率。对各典型环境进行实验，获得各典型环境下的比例因子矩阵。　　(3)基于BP神经网络的移动机器人环境分类　　针对机器人在路径规划中典型环境的识别问题，引入BP神经网络实现对环境进行分类。分析各典型环境下传感器信息的特点，建立BP神经网络的训练样本库，采用动量梯度下降法的学习算法，对BP神经网络进行训练，通过在复杂环境中对BP神经网络分类器进行测试，验证了BP神经网络的分类效果。在复杂环境中基于BP神经网络的分类器对环境进行识别，获取相应的比例因子，基于模糊控制决策，实现局部路径规划，以更好的适应不同环境。复杂环境下的仿真实验研究结果验证了算法的有效性。