室内环境物理空间相对复杂,无论对于有人系统还是无人系统来说,智能探测室内环境通达性的方法对于室内定位导航来说尤为重要。据研究数据表明,人们日常活动80%集中于室内环境,同时,获取场景内信息并实现处理以及理解身处环境的大体情况都是依靠眼睛来完成。因此,通过视觉获取的信息结合图像语义来确定室内室内场景空间结构的通达性更值得深入研究。本文将视觉经典语义分割算法与像素级图像处理算法相结合,先对图像语义分割及环境通达性分析在国内外研究现状进行了详细阐述,并对在室内场景理解领域的经典分割算法,其应用场景以及优缺点进行了分析。此外,本文针对环境可达性在室内场景应用方案进行了研究,并取得了如下研究成果:（1）针对实际的室内场景语义信息提取过程中产生像素误分类的问题,提出了一种基于DeepLab V3+网络的室内场景理解算法。该算法利用语义分割算法得到室内实际场景图像语义数据库,从而辅助人们获得当前环境信息,明确周围环境中哪些区域是具备通达性可能的,哪些区域是不可达的。通过从基础的骨干提取网络、网络训练优化以及调整DeepLab V3+部分网络结构三方面出发完成对网络的改进,利用本文自制的数据集进行实验。仿真结果表明,该算法可以有效提升图像中语义物体间的分割边缘清晰度,从而有效提高图像数据库的像素分类精度。（2）针对室内场景通达性状态可变的物体测量精度较低的问题,提出了一种基于图像语义的像素级通达性测量方法。在室内场景理解完成后,将场景中通达性状态可变的物体例如门、窗等,根据其开启的程度,通过角点提取,极线搜索的方式进行特征匹配。利用图像深度阈值进行限制,最后使用直线拟合手段实现图像像素级通达性空间距离的测量。实验结果表明,该方法可以实现依据图像中语义物体体空间状态完成通达性空间距离的测量,且测量误差低于0.4m。综上,本文就所提算法进行实验仿真。实验结果说明本文提出的基于DeepLab V3+网络的室内场景理解算法能够在保证图像像素分割精度的情况下,有效地降低整个网络的训练参数以及网络训练的时间开销;基于语义限制的像素级通达性测量方法在本文自制数据集上为室内环境通达性测量分析方面提供可行的技术方案,整体的计算精度较高。