随着视觉传感技术和人工智能技术的快速发展,环境感知成为机器人领域的重要研究方向之一。机器人所在环境对象的三维建模及其识别和检测是机器人感知客观世界的基础。本文基于深度学习理论和算法对机器人三维环境对象感知进行研究,主要完成了以下内容:首先,分析了深度学习感知模型的原理和代表网络结构,描述了深度学习感知模型的特征提取过程,选择合适的深度学习网络用于三维环境对象的目标识别和检测。其次,搭建了机器人双目视觉平台。分析了双目视觉系统的测距原理,完成了双目视觉平台的相机和镜头等硬件选型以及采集系统结构安装设计,基于多线程技术开发了双目视觉图像采集软件。然后,利用深度学习算法对三维环境对象进行目标识别。将机器人双目视觉平台采集到的三维环境对象原始数据进行预处理,完成环境对象3D数据的点云化,点云滤波,中心化和归一化,并根据深度学习网络输入规则,采用对称函数处理点云无序输入,利用输入/特征变换网络处理旋转和平移不变性,设计出直接利用点云数据的三维环境对象目标识别深度学习算法并进行试验和结果分析。实验结果表明,本章提出的目标识别深度学习算法能够在ModlNet40基准上对大规模复杂3D点云数据进行分类,分类准确率达到89.7%,在点云数量较少的情况下该算法仍然能够准确识别对象。最后,利用深度残差网络完成了三维环境对象的目标检测。将加入跳跃连接的深度残差网络作为环境对象特征提取卷积神经网络。跳跃连接有效解决了反向传播过程的梯度消失和梯度爆炸问题,并加速了深度学习网络的收敛速度;利用多级特征金字塔对不同层次对象特征进行尺度变化,再进行信息融合,提取到更多低层次特征信息;通过区域池化网络实现区域分类和位置的精确回归。与Faster R-CNN等主流算法相比,本章提出的利用深度残差网络进行目标检测深度学习算法在各个数据集上的平均检测精度分别提高了2.3%、5.35%、4.60%、9.74%,并且具有更快的检测速度。