随着世界工业技术的不断发展,各种频发的工业事故也在时刻威胁着国家的安全与人们的健康,因此快速地在事故区域内搜索并准确定位危险源有助于后续事故处理工作的有效开展。传统的方法包括固定传感器网络、生物搜寻法等等,但是由于存在效率低下、成本较高并且可能会对操作人员造成危害等问题,使用移动机器人执行危险源的搜索与定位任务已经受到研究人员的广泛关注。将移动机器人应用在源搜索领域不仅避免了传统方法中存在的缺点,而且应用更加灵活并具有可拓展性。考虑到危险源的性质,本文以电磁辐射源中的光源作为实验对象,以Turtlebot3 Burger移动机器人作为实验平台,针对实际事故发生时的场景,研究了未知环境下移动机器人的自主源搜索方法,从而为后续的危险源处理工作奠定基础。本文的主要研究内容如下:（1）利用光敏传感器与STM32单片机完成了机器人的光源信息采集模块,引入rosserial协议解决了ROS系统收到串行通信数据的问题,从而实现光源数据的采集以及与机器人当前位置信息的数据匹配,完成硬件平台搭建与软件环境配置。基于辐射源的结构特点与扩散方式等特性建立辐射源的数学模型,并对源定位的总体方案进行了设计。（2）考虑了两种未知环境的情况,当移动机器人在障碍物较少的场景或者较为空旷的室外环境下时,通过人工势场法实现初始采样路径的规划,初始采样路径分别考虑为之字形、回字形与对角线形。而当机器人处于障碍物较多的场景或者较为复杂的室内环境下时,利用基于RRT（Rapidly-exploring Random Trees）的自主环境探索算法实现对于初始采样路径的规划。仿真结果验证了所研究方法在不同未知环境下的可行性。（3）为了利用移动机器人采集到的观测数据绘制源所在空间场的密度分布图,本课题研究了基于核密度估计的方法。该算法通过移动机器人收集到的观测数据计算出源所在区域的概率密度函数,建立出概率密度模型,从而可以直观地观察出源所在空间场的密度分布情况,并预测出源所在位置,指导移动机器人进行源搜索任务。为了获取最适带宽参数,对传统的方法进行改进,并引入了自适应更新的思想,提高了空间场还原以及源位置预测的精度。实验结果表明所提出的方法可以成功搜索到源所在位置。（4）针对移动机器人到达指定预测位置后对于危险源的识别问题,研究了YOLOv3深度学习目标检测算法。搭建了YOLOv3深度学习模型并进行模型训练与验证,仿真结果表明可以有效识别出光源实验对象。综上所述,本课题采用机器人轨迹规划算法获取初始观测数据,对传统带宽计算方法进行改进,通过核密度估计法重构源场密度分布并指导机器人进行搜索,然后利用所训练的YOLOv3模型完成光辐射源的识别,实现移动机器人的自主源搜索任务。最后,在实验室场景下利用移动机器人平台对所提出的算法进行验证。