针对核模糊C均值（KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题，利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势，提出了一种改进的人工蜂群算法（IABC）与KFCM迭代相结合的聚类算法。首先，以IABC求得最优解作为KFCM算法的初始聚类中心，IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值，对雇佣蜂的搜索行为进行改进，平衡人工蜂群算法的全局搜索与局部开采能力；其次，以类内距离和类间距离为基础，构造出适应KFCM算法的适应度函数，利用KFCM算法优化聚类中心；最后，IABC和KFCM算法交替执行，实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验，实验结果表明，与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比，IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点，具有鲁棒性强和聚类精度高的优势。

移动机器人在探索未知环境且没有外部参考系统的情况下，面临着同时定位和地图构建（SLAM）问题。针对基于特征的视觉SLAM（VSLAM）算法构建的稀疏地图不利于机器人应用的问题，提出一种基于八叉树结构的高效、紧凑的地图构建算法。首先，根据关键帧的位姿和深度数据，构建图像对应场景的点云地图；然后利用八叉树地图技术进行处理，构建出了适合于机器人应用的地图。将所提算法同RGB-D SLAM（RGB-Depth SLAM）算法、ElasticFusion算法和ORB-SLAM（Oriented FAST and Rotated BRIEF SLAM）算法通过权威数据集进行了对比实验，实验结果表明，所提算法具有较高的有效性、精度和鲁棒性。最后，搭建了自主移动机器人，将改进的VSLAM系统应用到移动机器人中，能够实时地完成自主避障和三维地图构建，解决稀疏地图无法用于避障和导航的问题。