在室内服务机器人的应用中,其障碍物检测是完成室内服务工作的非常重要的一环。由于室内服务机器人对于视野中目标识别的视角跟我们人为的视角有所不同,本文从室内服务机器人的视角出发,对其视野中的障碍物进行新的理解,自行建立数据集进行障碍物检测。具体研究内容如下:常见的室内定位技术主要包括超声波、蓝牙、WiFi和视觉定位,其中基于图像的室内定位技术精度比较高。综合不同相机的精度、稳定性和对电脑计算内存的消耗考虑,本文选用深度相机进行室内障碍物检测的图像采集。本文在公开数据集VOC 2007上选择10类目标,对Faster R-CNN、YOLO算法和SSD算法这三种算法进行了准确率和实时性的测试。测试结果表明,Faster-R-CNN识别率最高,但是其处理速度很慢,YOLO和SSD的实时性相近,SSD的整体检测效果要好一些。所以本文选择使用SSD算法来实现障碍物检测,并对该算法进行针对性的改进。为了提高本文深度学习算法的目标识别的实时性,本文将SSD算法与Mobilenet相结合,构建了一种新的多尺度卷积神经网络。并从机器人的视角出发自行建立数据集,分为10类:bucket、flower rack、garbage basket、sofa、table leg、box、chair、computer、fire extinguisher、refrigerator。对原算法和改进的算法在公开数据集VOC 2007和自建数据集上分别进行了对比,结果显示改进算法虽然在目标识别准确率上有略微降低,但是其处理速度有了很大程度的提高,证明了本文改进算法的可靠性。本文使用Kinect深度相机实现了障碍物的深度信息的测量。通过深度学习对障碍物进行识别得到图像分割区域,找到该区域的正中点,将该正中点的深度信息设定为障碍物目标的深度信息,并做了深度信息测量实验,实验结果达到最初设定要求。最后,本文设计了基于后端机器人障碍物检测机器人,机器人前端采集图像信息,后端PC机完成核心算法的执行和上位机显示。用自建数据集中的10类障碍物进行深度信息的精度测量,测量结果显示距离越近,障碍物深度信息识别精度越高,并且在设定距离为60厘米的情况下,平均距离精度可达到0.932,满足室内服务机器人对避障的精度需求。通过本文各项试验和分析,可以证明本文改进深度学习算法的有效性和整体室内服务机器人障碍物检测的稳定性和可靠性。