针对移动机器人避障上存在的自适应能力较差的问题，结合遗传算法(GA)的进化思想，以自适应启发评价(AHC)学习和操作条件反射(OC)理论为基础，提出了一种基于进化操作行为学习模型(EOBLM)的移动机器人学习避障行为的方法。该方法是一种改进的AHC学习模式，评价单元采用多层前向神经网络来实现，利用TD算法和梯度下降法进行权值更新，这一阶段学习用来生成取向性信息，作为内在动机决定进化的方向；动作选择单元主要用来优化操作行为以实现状态到动作的最佳映射。优化过程分两个阶段来完成，第一阶段通过操作条件反射学习算法得到的信息熵作为个体适应度，执行GA学习算法搜索最优个体；第二阶段由OC学习算法选择最优个体内的最优操作行为，并得到新的信息熵值。通过移动机器人避障仿真实验，结果表明所设计的EOBLM能使机器人通过不断与外界未知环境进行交互主动学会避障的能力，与传统的AHC方法相比其自学习自适应的能力得到加强。

为了解决传统的能见度仪价格昂贵、采样有限，以及现有的一些视频测量手段需人工标记物、稳定性差等问题，基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同，在交通模型增加了均质雾天因素。该算法主要分为三步：首先，计算场景活动图，利用区域搜索算法（ASA）结合纹理特征提取待识别区域，如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天，同时计算区域内图像亮度曲线的拐点；其次，基于可伸缩窗算法检测车道线，提取车道线端点并标定摄像机；最后，结合图像拐点以及摄像机参数计算大气消光系数，根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测，实验结果表明，该算法与人眼观测效果一致，准确率高于86%，检测误差在20m以内，鲁棒性好。