现如今化工工业对人类社会发展的重要性不断增加,为社会带来了巨大的经济效益。但伴随发生的化工事故严重危害了巡检人员的生命安全。因此,化工环境下的巡检作业成为一项必要而且迫切的工作。化工厂巡检采用传统人工巡检和传感器巡检容易存在人员安全威胁和设备维护成本高等问题。移动机器人巡检技术可实现对易发生泄漏区域的自主巡察,提高巡检效率和准确性,保障巡检人员安全。本文针对化工环境下巡检机器人的编队控制,机器人路径规划,以及深度学习算法易泄漏点识别这三方面内容进行研究,主要研究内容概括如下:（1）考虑到每个机器人的电量储备不同,电量消耗的速度快慢也不同,如果给它们均匀分配巡检区域,可能会导致个别性能差的机器人无法完成巡检任务。针对这个问题本文通过Hopfield神经网络（HNN）算法对机器人的性能进行预测,计算求解出机器人的性能权值,然后通过加权质心维诺镶嵌（WCVT）,给性能高低不同的机器人分配对应大小的工作区域,实现对区域的最优划分。（2）针对实际化工厂中机器人编队巡检区域形状不规则的问题。本文设计了基于栅格法的全覆盖路径规划算法,即遍历搜索算法。首先计算合适的栅格尺寸,然后对划分后的地图进行栅格化处理,同时在自由栅格的中心位置处生成机器人目标点。最后将目标点相连作为机器人的行驶路径。机器人根据行驶路径在各自的工作区域内进行采样,完成全覆盖遍历巡检任务。（3）为了完成化工厂易泄漏点的识别任务,本文针对移动机器人计算力和存储资源有限的问题,对深度学习算法网络进行了轻量化改进。首先使用轻量化的Shuffle Netv2网络替代深度学习主干特征提取网络,然后采用深度可分离卷积来降低网络模型的大小和计算量,最后裁剪颈部网络,提升网络的识别速度。该优化方案可以使机器人高效地在化工厂内识别易泄漏的设备和泄漏现象。（4）为了提高化工环境下巡检机器人易泄漏点识别的效率,本文设计了目标识别检测系统。该检测系统能够对图像、视频中的泄漏点进行识别。同时,当系统识别到泄漏点时,该系统会向工作人员发出警报,提醒工作人员及时处置泄漏点,防止该泄露现象演变为更严重的化工事故。