目标搜索是智能移动机器人执行任务的关键功能模块之一,其潜在应用领域包括:工厂巡检、深海探测、灾难中的搜索与救援等。目前相关研究对搜索任务执行过程中的不确定性因素考虑不够充分,若环境中不确定性因素较多时,现有搜索模式执行任务的效率较低,预期耗时较长。针对以上问题,本文设计了适用于不确定环境下目标搜索的概率拓扑环境模型,并基于该模型提出了分层式路径优化策略。本文针对两种不同的目标搜索任务模式进行了研究,其具体研究内容如下:针对确定的环境模型难以准确表达环境不确定性因素,设计了概率拓扑模型,分析目标在环境中的分布特点,进而构建了概率测算模型。根据不同任务的实际需求,构建了两种概率地图下的目标搜索问题的目标函数。针对不确定环境下目标搜索取回任务的路径规划问题,提出了基于改进改良圈算法和改进快速随机搜索树算法(Rapid-exploration Random Tree,RRT)的运动规划策略。在上层序列规划中,构建任务匹配的概率地图,通过权值最优原则优化原始改良圈算法,显著改善了经典改良圈算法的全局优化能力。在下层观测点间的局部路径规划中,采用特征地图,在经典RRT中引入目标偏好与碰撞检测机制,改善了 RRT算法随机性强、易陷入局部极小陷阱的问题。仿真实验与分析表明:所提策略可以显著提高搜索效率,适用于不确定环境下的目标搜索取回任务。针对移动机器人目标搜索非取回类型任务,以搜索时间的数学期望为优化目标,提出了一种基于概率地图的双层搜索策略。因非取回任务中,搜索到目标即可停止,改良圈算法不适用于此类任务,故以改进蚁群算法替代改良圈算法进行上层序列规划,优化观测点访问顺序;其后,以改进RRT算法进行局部路径,最终得到期望时间最优的搜索路径。仿真与分析表明所提策略可以明显缩短搜索的期望时间,适用于以期望时间为优化目标的自主机器人目标搜索任务。