机器人技术体现了当代科学技术的发展程度,被誉为“当代最高意义的自动化”,其研究涉及多门学科,涵盖了众多的研究领域。随着应用领域的不断深入,对移动机器人的智能性要求也越来越高,因此,移动机器人必须能够面对复杂的、动态的、未知的环境,具备自主环境探索和目标搜索的能力。在移动机器人目标搜索理论和方法的研究中,确定性环境的目标搜索已取得了大量的研究和应用成果,但对未知环境的目标搜索尚未形成统一和完善的体系结构,还有很多关键理论和技术问题有待完善和解决。本学位论文借鉴人类的搜索经验,将复杂度概念应用到移动机器人目标搜索任务中,提出了一种基于场景复杂度的目标搜索方法。首先,通过分析影响场景复杂度的主要因素,给出融合图像和激光深度信息的场景复杂度形式化定义。对于场景图像复杂度的计算,先分别计算出图像的纹理特征、显著性区域和边缘比率,然后将各个部分加权整合为归一化的复杂度数值；对于场景深度复杂度的计算,将激光深度数据的变异系数和均值作为复杂度评价因子,并对它们进行归一化处理。其次,提出了一种基于场景复杂度的环境探索方法。该方法对各个场景按复杂度进行筛选来确定待探索场景,然后根据场景深度信息确定该场景的待探索点。同时,针对探索过程中的SLAM问题,本文提出了一种改进的粒子滤波SLAM算法,通过自适应重采样方法改善了重采样过程。最后,结合环境探索和目标检测,实现了基于场景复杂度的目标搜索方法。该方法在场景复杂度计算过程中增加了目标似然度,使得搜索过程更加明确。在目标检测方面,提出了一种基于Harris-SIFT特征的目标检测方法,有效地解决了匹配点发散现象和目标定位问题。实验结果表明,本文提出的场景复杂度计算方法符合人的复杂度主观感受,较好地反映了场景的内在特征,所提出的基于场景复杂度的目标搜索方法可以有效地搜索目标,具有较好的鲁棒性。此外,基于场景复杂度的环境探索方法能有效地进行环境探索,不同复杂度阂值将产生不同粒度的探索结果。改进的粒子滤波SLAM算法有效地消除了粒子退化现象,改善了算法的性能。