随着人工智能技术的兴起,智能机器人的诞生极大地便利了人类的方方面面。而融合了智能语音、SLAM技术、目标检测跟踪算法、强化学习的多模态交互移动抓取机器人必然是拥有广阔的发展前景与实际意义。本文以智能移动抓取机器人为研究对象,对未知环境下目标跟踪问题与轨迹规划问题进行研究,主要内容如下:（1）针对复杂背景环境下的目标跟踪问题,设计了一种新型的自适应分层重采样突变粒子滤波算法,解决了在复杂识别场合下干扰所导致的目标跟丢问题。在重采样时提出了混合提议分布的方式来对下一代粒子进行采样,解决了粒子严重退化的问题;采用分组权重优化算法,设定高权重阈值与低权重阈值,通过比较将粒子的权重分为三组:权重过高,中度权重与权重过低。通过权重优化运算来优化其相应的权重,解决了粒子跟踪精度差、运行时间长等问题;针对算法在自适应重采样后由于粒子聚集而导致的多样性损失问题,我们对粒子采取突变的方法来提升粒子的多样性。（2）针对机械臂在未知环境下的最优姿态轨迹规划问题,结合SLAM与语音交互技术,设计了一种基于深度强化学习机械臂轨迹规划算法。首先,设计了一种经验分离机制,以区分正面经验和负面经验,并将它们存储在不同的经验回放区中;其次,设计了可变比例回放机制,它描述了所产生的正面经验和负面经验的比例,可变比例机制可以根据决策模型的优化水平,实时调整正负经验的比例;最后,提出了一种经验回放区的优先级采样机制,使用了时序差分偏差的方式来衡量每个经验的学习价值。通过时序差分偏差的绝对值来对经验池里的经验进行排序,更加频繁地回放那些高偏差的经验,避免再次做出错误行为,提高了整体性能,加快了算法的收敛速度,提高了训练过程的稳定性与模型的鲁棒性。最后,通过仿真与实验验证了本文算法的可行性。（3）最后完成了整个智能移动抓取机器人实验平台的搭建,介绍了整个平台的硬件组成和软件结构。设计了基于语音驱动的控制系统,分析了语音的识别过程,并对移动机器人语音识别系统中所使用的声学模型进行了说明。描述了深度神经网络-隐马尔科夫模型,并展开实验测试。对抓取控制系统进行了设计,介绍了包括坐标变换的具体方式,深度相机内参与外参的求解步骤,最后对整个实验的过程与结果进行了详细的展示。