获取环境信息,对信息的不确定性或不完备性进行处理以形成系统的、能够实际应用的知识,并实现知识的存储、表达是智能体产生高级智能行为的先决条件。通过学习和累积知识,人类能够融合消除冗余信息、联想补充匮乏信息以降低主观原因(认知能力或记忆能力受限制等)造成的信息的不确定性或不完备性,并基于获得的知识产生目标明确、规范可信的行为。移动机器人作为典型的智能体,己被广泛地应用于工业及日常生活的各个方面。高度拟人化,具备情景感知、人机交互能力的移动机器人也逐步走出实验室,面向普罗大众并服务日常生活。一般,由于所处环境的复杂性、动态性,特别受自身认知能力(传感器信息的精度低、信息处理能力差等等)的限制,移动机器人感知获取的外界环境信息存在不确定性或是不完备的,也称为机器人视角的主观不确定性信息。如何像人类那样,抽象、加工不确定性或不完备性信息,实现主观不确定性信息的形式化、规范化、拟人化表达,并基于处理后的结果完成移动机器人定位等任务,对进一步提升移动机器人的智能度具有迫切而重要的意义,是当前人工智能学者们的重要研究任务。为处理主观不确定性信息,必须建立其符号化表示体系,并给出该体系的度量标准。进一步,为实现基于不确定性信息的拟人化推理、决策方式,还必须建立基于上述符号化表示及度量体系的定性推理规则。本研究借鉴灰色系统理论在主观不确定性信息表示方面的优势并加以拓展,同时引入概率统计的相关理论知识,建立了以灰概率测度集为核心的主观不确定性信息的符号化表示及度量体系。结合定性推理理论在模拟人类智能实现问题分析、决策方面的优势,建立了主观不确定性信息的灰色定性表达方法,并将其应用于移动机器人定位的相关应用中。研究结果表明,基于该方法提出的不确定性信息处理算法在机器人全局定位及位姿跟踪中具备鲁棒性高、容错力强等比较优势。本文的主要工作和贡献如下：1)针对传统二维区间灰数在描述高维(三维或更高维)信息时存在不足的问题,结合定性理论采用路标值(landmark values)实现定量信息定性描述的特点,建立了灰色定性量空间,实现任意维度主观不确定性信息的灰色定性表达,并定义了广义白化函数实现不确定性信息的白化；进一步,基于灰色定性量空间,定义了定性推理的规则,提出了一种不确定性信息的融合、推理及决策方法。2)基于建立的灰色定性空间及定性推理规则,模拟人类智能处理不确定性信息的模式,建立了智能体在学习过程中处理主观(智能体视角)不确定性信息的模型,强调处理过程的渐进性,也即随着主观不确定性信息量的增加,通过融合和推理当前已有的信息,降低信息的不确定性。3)将灰色定性理论应用到不确定性信息处理过程中,实现特征位置信息的扩展,建立了拓展灰色定性地图。根据人类环境认知过程的层次化特点,从机器人的视角,对环境进行了多层次的划分；数据处理过程中,不再仅仅追求传感器数据的精确表达,而是寻求机器人对精度的需求与传感器精度及算法处理能力之间的平衡。在移动机器人全局定位中,该模型在鲁棒性、方便人机交互方面具备一定的优势。4)结合灰色定性理论与卡尔曼滤波技术的优势,实现了移动机器人状态及观测方程的动态创建,并基于实时创建的状态及观测方程实现机器人位姿及环境中特征位置的实时估计。通过引入灰色定性地图中的局部地图匹配技术,实现了机器人朝向角的估计、校正。在移动机器人位姿跟踪的应用中,该研究结果在跟踪精度及容错性方面具有比较优势。5)基于灰色定性理论,研究机器人传感器获取的环境信息的区间化表达及度量体系,形成了灰概率测度集。该体系主要包括两个方面的内容：利用灰色定性理论在主观不确定性信息表达方面的优势,实现了主观不确定性信息的区间化表达,建立了区间的渐进融合规则；结合概率统计中σ-代数的相关概念,实现主观不确定性信息区间化表达的度量,并给出了区间渐进融合过程中该度量的融合过程及结果的概率解释。提出了一种基于灰概率测度集的机器人位姿跟踪算法,实验结果表明该算法在精度、奇异值的容忍度方面均具有一定的优势。