在日益老龄化的今天,服务机器人进入家庭的需求越来越迫切。家庭日常工具的多样性要求机器人能够具备自主学习与功用性认知能力,对工具及其功用性部件的认知成为共融机器人智能提升的重要研究方向。该文研究了基于联合学习的工具功用性部件检测框架与实现算法。首先,考虑到家庭环境的复杂性与工具部件的特殊性,基于颜色的特征表示方法难以深刻反映工具部件的几何特点,同时,传统目标检测由于没有对整体场景建模而缺乏对上下文邻域信息的整合能力。针对此问题,从深度图像中提取几何特征并将特征稀疏化以保证对信息的高效利用,在此基础上构建含有稀疏潜变量的条件随机场模型(Conditional random fields,CRF)。然后,为加强稀疏表示中过完备字典的判别能力,引入费舍判别字典学习(Fisher discriminant dictionary learning,FDDL)算法,采用最大边界方法对联合检测模型的概率表示进行优化并利用梯度下降算法实现CRF与稀疏表示问题的解耦。实验结果表明,该算法能够较快速的在单一场景中定位及检测目标功用性部件。最后,考虑到构建过完备字典需要大量样本数据,将造成计算量大与稀疏分解不稳定等问题,使得字典对图像的重塑能力下降,利用K-means算法计算简单快速,对整合大量数据具有较高效率和可伸缩性等特点,以K-means算法作为构建字典的方法,在此基础上实现联合模型优化,并采用自适应时刻估计(Adaptive Moment Estimation,Adam)方法解耦与更新联合模型。实验结果表明,该算法对功用性部件的检测精度和效率均得到提升,且能够满足普通配置机器人对工具功用性认知的需要。