目前,提升移动机器人的智能化和自主化水平已经成为机器人领域的发展方向。基于视觉和深度学习的移动机器人融合了机器人学、图像处理、机械电子、通讯技术和机器学习等众多领域的技术,已经成为当前研究的热点和难点。针对现有的行为模型表达能力和组合灵活性不足的问题,设计了一种分层行为模型,引入行为树的概念,对现有的行为模型进行了发展和完善;并通过添加动态调度节点赋予行为树动态调度的能力,解决了传统行为树难以表达非逻辑性的行为组合的问题。针对深度学习由于计算密集而难以在移动机器人行为控制中应用的问题,基于深度可分解卷积设计了一种轻量化的卷积神经网络目标检测模型,并通过视频流重采样技术对模型推理进一步加速,实验验证了模型在机器人行为控制中的可用性。针对当前移动机器人自主性差的问题,基于分层行为模型和目标检测设计了一种以行为树为基础的自主行为控制算法,并通过实验验证了算法的可行性。而后提出了一种基于随机森林的行为学习算法,实现了对行为的学习,并通过实验验证了算法的有效性。搭建了基于ArduinoUno控制器的移动机器人硬件系统,编写了机器人本地控制和远程决策的多线程程序,并对有关算法进行了实验测试,实现了移动机器人的目标检测和定位,以及基于视觉反馈的机器人自主行为控制和行为学习。