我国视力障碍的人群基数巨大,而这些人受限于视力问题,在日常出行及生活中受到影响。目前绝大多数的盲人选择不出门或使用盲杖等传统导盲设备出行,这些设备往往较为简陋,且盲人出行依靠的盲道因为各种原因不但无法帮助盲人正常出行,还可能会导致盲人受伤。如何让盲人安全放心地在人行道或盲道上行走,并导航到自己想去的地点,逐渐成为一个热点。围绕面向边缘计算的视觉导航及场景理解技术研究,本文采用基于深度学习的目标检测算法来实现对人行道上常见障碍物的检测,并基于文字检测及识别算法实现对自然场景下道路两侧场景语义信息的检测与识别,让盲人能够及时获取自身周边的环境信息,让盲人出行更加安全、便利。完成的主要研究工作为:1.提出一种改进型的YOLOv3算法进行障碍物检测。首先采用Mobile Net V3网络替代YOLOv3的Darknet-53网络,并在网络后加入空间金字塔池化结构,减少了训练参数,提高了模型的准确率及检测速度;然后在计算边框回归损失函数时采用CIOU替代原网络的IOU,进一步提升模型的准确率;此外,增加模型的检测尺度,使其在进行障碍物目标检测时更加精细化,提升了对于小目标或有遮挡障碍物的检测精度。最后通过对比实验验证了改进型的YOLOv3算法相对于原YOLOv3网络的参数量及计算的复杂度大幅降低,同时也提高了模型对障碍物检测性能,并加强了对小目标障碍物体的检测能力,使模型能更好地移植到边缘计算设备上用于导盲系统中。2.为解决在自然场景下获取周围环境语义信息的问题,提出一套针对道路两侧自然场景的文字检测与识别的方案。本方案中共包含三个模块:文本检测、文本筛选和文本识别。在文本检测中,通过实验对比分析了Pixel Link算法的优越性,验证了Pixel Link算法能同时兼顾文本预测的检测速度和精确度,因而能够较为理想的移植到边缘计算设备上。在文本筛选流程中,采用预设的方案将已检测出的文本框进行排序筛选,并将筛选后的文本框送入到文字识别模型中。而在文字识别模块采用CRNN算法,该算法能够有效的检测并识别出文本框中对应的文字,可以较好的完成文字识别的任务。3.搭建了嵌入式硬件导盲系统,将优化后的导盲场景理解模型迁移到Jetson Xavier NX硬件平台,在真实环境下测试模型的鲁棒性。为避免模型检测速度不同造成的延迟卡顿,采用提取视频流关键图像帧的方式对视频进行提取,并对提取后的图像进行去雾处理,以提高模型在雨雾天气下的检测性能,测试结果表明模型能够在边缘计算设备上较好运行,满足盲人对于周边环境信息的及时获取,成功实现了智能导盲算法及硬件系统的整体功能。