随着智能化时代的到来,移动机器人已经在各个领域得到了广泛应用。在移动机器人智能化发展中,避障效果的优劣严重影响定位与导航的实现效果。经过长期的研究,在静态环境中的避障研究已取得良好的成效,但在动态环境下避障效果仍不理想。因此,本文针对动态环境下的移动机器人避障问题展开研究具有非常重要的理论意义和实际应用价值。本文首先对动态避障系统进行分析研究,完成总体系统方案的设计。根据所设计方案对各个硬件模块以及涉及软件平台进行阐述。通过对本文的主要研究内容进行分析,确定了研究重点为对外部检测传感器信息的融合与动态避障算法的改进。本文在检测动态环境中的障碍物时,针对障碍物多样性以及单一传感器检测时的自身缺陷,造成环境检测结果不准确而出现避障失败的问题,提出了将激光传感器与超声波传感器检测数据采用区域融合规则与贝叶斯估计相结合的融合方式,从而获得更加准确的环境信息。实验结果表明该方法能够互补两种传感器缺点使检测结果更准确有效。同时将内部传感器IMU、霍尔编码器与外部激光传感器使用扩展卡尔曼滤波融合,完成了移动机器人运动状态的实时检测。针对Q学习动态避障算法在更新Q值的过程计算时间过长且易发散的缺陷,本文提出了一种基于神经网络的改进Q学习动态避障算法。该算法通过神经网络对Q值训练过程进行约束,使算法更容易收敛,并且可以提高避障安全性。经实验验证,该改进算法收敛速度更快,使得机器人避障更高效。最后,本文设计与构建了一个基于多信息融合的移动机器人动态避障系统,通过配置上层基于ROS的SLAM软件平台的设计与调试下层基于STM32的嵌入式控制板,完成移动机器人整体的构建。然后通过搭建实际实验场景,对本文所提出的整体动态避障方法的各项性能进行验证,其中包括准确性、安全性以及有效性。分析记录的实验结果数据,表明了本文所提出的基于多信息融合的移动机器人动态避障方法对环境进行检测更准确有效且避障效果更安全高效。