在未知非结构化环境中,移动机器人需感知周围环境,以便及时进行路径规划,使机器人能够自主流畅行走。现阶段大部分卷积神经网络结构过于复杂,模型参数量大,不适用于移动端部署。针对此问题,本文引入轻量级网络MobileNetV3,使得模型在保证精度的同时降低参数量。由于户外环境交错复杂,移动机器人在行走过程中遇到的环境并非一成不变,单一地形识别算法效果不甚理想,为提高复杂非结构化地形识别准确率,可对图像进行语义分割,实现像素级分类。本文具体工作如下:针对目前可用于地形分类数据集较少问题,建立适用于地形分类的数据集GXU-Terrain6。GXU-Terrain6包含了实验所识别的6类典型地形:柏油路面、草地、光滑瓷砖地面、粗糙瓷砖地面、护根覆盖地面和水泥地面,数据在不同的天气情况下采集并进行了增强处理。为解决由于训练数据不足导致地形分类算法精度差问题,并且要降低模型参数量,使模型适合应用到移动端,本文提出了一种基于深度迁移网络MobileNetV3的地形识别算法。将源域预训练模型网络的大规模共享参数进行迁移,根据预训练模型权重对新的训练网络进行初始化,继承大数据集上的先验知识;随后在自建数据集上训练学习,通过目标域样本数据对网络中的参数进行微调,进而得到所需轻量级分类模型,可部署到移动端。移动机器人在户外行走过程中捕捉到的环境是复杂多变的,此时单一地形识别算法识别能力有限。针对此问题,本文提出了一种改进DeepLabv3+网络的轻量级语义分割算法。改进的语义分割算法采用MobileNetV3代替原模型特征提取骨干网络,引入深度可分离卷积和注意力机制模块,最后采用组归一化方法。改进算法在降低模型参数量和运行时间的同时保证了算法性能,在Cityscapes数据集上得到较好的分割效果。