场景识别一直是计算机视觉领域中的重要课题,也是移动机器人系统的主要研究内容。近年来,卷积神经网络在图像理解与识别领域取得了许多成果。因此,本文基于卷积神经网络设计了室内场景识别模型。通过卷积神经网络模型提取图像的场景特征,并将卷积神经网络与分类器结合,最终实现对室内场景的分类识别。文章的主要研究内容如下:首先,归纳总结了现有的场景识别方法。通过查阅大量国内外相关文献,从基于语义特征的场景识别方法和基于卷积神经网络的场景识别方法两方面对现有的场景识别方法进行了介绍和分析。由于室内场景图像的复杂性,选择卷积神经网络方法来进行室内场景识别。其次,设计了基于卷积神经网络的室内场景识别方法。将Inception结构与残差结构结合设计了Inception-residual结构,在GoogLeNet网络模型的基础上增加Inception-residual结构作为室内场景识别模型,并引入了dropout、Batch Normalization来优化模型。详细介绍了基于卷积神经网络的室内场景识别流程,并设置了识别过程中的训练与测试参数。最后,在深度学习框架TensorFlow上完成了室内场景识别任务,包括样本数据的处理、网络模型定义、模型的训练及测试。实验中利用经过数据增强和均值归一化的MIT_Indoor数据集对模型进行训练与测试。训练结束后对结果进行了具体分析,并对特征进行可视化来研究卷积神经网络的作用机理。将实验结果与其他方法得到的场景识别结果进行了比较,最终结果证明了设计的卷积神经网络模型在室内场景识别问题上的有效性。