室内导航功能是移动机器人重要的功能之一,随着移动机器人应用场景的丰富,传统的建图导航方法无法满足多种场景下的导航问题。未来服务机器人需要能够基于目标物体进行导航,而传统的建图导航方法无法真正的实现基于目标物体的导航。随着深度学习的不断发展,基于深度学习的目标导航方法逐渐兴起,但是现有的方法在效果上有待提升,并且研究主要在仿真环境上,缺乏真实环境的实验和评估。本文针对移动机器人的目标导航的问题,提出了基于单目深度相机的视觉导航方法,通过目标检测算法以及三维几何知识,本文提取了高维的视觉空间特征作为模型输入,并提出了方向估计模块,用于估计目标物体的大致方向,最后采用深度强化学习训练模型的策略。同时,本文对深度强化学习的奖励函数进行了相应的优化。本文的主要贡献有以下几点:1)本文首次提出了一种基于RGB-D图像的深度神经网络模型,采用强化学习的方法对模型进行训练。该模型采用动态图卷积网络来编码图像的视觉特征,同时利用RGB-D图像生成三维空间特征,获取物体的三维空间关系,有效地提升了模型在复杂未知环下的空间感知能力。2)本文设计了方向估计模块来生成目标物体的方向信息,并作为神经网络的部分输入,通过提供目标物体的实时的方位信息,让机器人能够更好地感知目标物体的位置。该特征不受复杂环境的影响,能够有效地提高模型的泛化性能,在未知环境下依然有较好的导航效果。3)本文设计实现了一套基于服务器和移动机器人的视觉导航系统,通过ROS机器人系统,采用服务器部署的方案,将视觉导航网络部署在服务器上,通过网络相机将数据实时传输到后台计算推理,最后将推理结果返回给移动机器人上,进行实时的导航。为了验证其有效性,本文将实现的视觉导航模型部署到移动机器人视觉导航系统上,并在数据集和现实场景中进行了充分的实验。实验结果表明,本文所提出的方法在相应的数据集上评价指标超过当前最好的视觉导航方法,并且在移动机器人视觉导航实验中结果证明,本文所提出的模型能够有效地在真实的环境中运行。除了实验结果的分析,本文还讨论了本文所提出的视觉方法和视觉导航系统的优缺点。