近年来，国内外学者在增强环境适应方面对双足步行机器人进行了诸多有意义的研究，机器人行走的环境适应性有了一定的提高，然而，双足步行机器人的环境适应性研究仍处于起步阶段，自适应智能控制处于理论研究阶段，真正用于实际机器人的智能控制屈指可数。未来，智能学习研究是机器人智能化的一个重要研究内容，机器人智能化是提高双足步行机器人环境适应能力的最佳途径。本文主要通过对全方位步行规划以及步行学习研究，为提高双足步行机器人的灵活性与适应性提供一种方法与思路。具体而言，首先对全方位步行傅里叶级数逼近规划法进行了研究，该方法充分利用步行周期循环的特性，并结合基于ZMP的三维倒立摆的稳定特性，完成了对机器人运动时复杂质心运动的规划，为机器人稳定行走提供理论依据。从编程与可实现角度上讲，该方法利用级数逼近的方法，方法简单可操作性强，是一种比较理想的步行规划方法。利用转向步行与前向步行的质心轨迹之间的关系，巧妙地规划了转向时的质心运动轨迹，最终实现了双足步行机器人的全方位步行规划。步行学习的研究是基于上述规划方法得到的步行样本进行的，对双足步行机器人稳定行走而言，影响因素有主有次，步行学习是要对影响步行稳定的主要信息进行学习，在此基础上，对步行样本智能生成方法进行研究。对步行样本的学习分了不同步长、不同步速、不同步长与步速以及不同转弯半径四种情况进行学习，通过对成功步行样本的泛化学习，生成未经历的步行样本。步行样本的学习由小脑神经网络CMAC完成，步行样本学习效果的评价是由关节角之间自身关系以及仿真验证给出。最后，对CMAC-PD控制系统中CMAC的权值调整给出了一种简单而有效的学习算法。采用CMAC进行步行学习与控制可以实现在线学习，实时控制，是实现机器人自适应智能控制中较好的一种手段。