为提高无人平台在城市作战行动,尤其是室内作战行动中的自主性,需要增进对环境的智能理解能力。无人平台对环境的理解建立在对环境领域知识的形式化表达基础上,传统的环境知识表示方式侧重于对环境中空间信息或者环境要素的简单语义信息等单一信息的形式化表示,缺乏对环境要素之间的深层次的语义关系、常识知识的表示,这阻碍了无人平台对环境的深入理解。为加强无人平台对环境的智能理解能力,针对环境中物体关系的识别,以及常识知识的应用,本文提出了一套基于知识图谱与深度学习的室内环境语义地图构建方法。应用深度学习技术,无人平台能够从传感器感知信息中识别环境要素之间的语义信息,得到环境的语义层级表示;应用知识图谱技术,无人平台能够组织大量的常识知识,从而具备“联想”能力。本文的主要工作及贡献如下:（1）提出了一种基于图神经网络的场景图生成方法。针对传统语义地图不能建模环境要素之间关系的问题,本文提出一套从RGB-D数据流生成场景图的方法。该方法能够合并多张图像生成的场景图,从而生成图像流采集区域的场景图。场景图的引入提高了语义地图建模复杂环境的能力,克服了传统语义地图中环境要素无关联的缺陷。（2）提出了一种基于场景识别的拓扑地图构建方法。针对传统拓扑图构建时区域分割不准确,且无法自动获取区域类别信息的问题,本文提出了一种基于维诺图完成区域分割并使用神经网络模型Res Net完成场景识别的方法。该方法能够简单有效地完成室内环境区域分割与分类,提高语义拓扑地图构建效率。（3）设计了室内场景知识图谱构建流程,并使用一种基于图神经网络模型完成知识图谱补全任务。针对传统语义地图对常识知识应用能力不足的问题,本文引入知识图谱来组织常识知识。针对知识图谱信息不全的问题,本文提出一种基于图神经网络的方法对其进行补全。知识图谱强大的数据管理能力填补了语义地图常识知识应用不足的缺陷。（4）搭建了基于语义地图的室内环境智能理解实验验证环境。通过搭建半实物仿真环境,实现并验证了所提出的基于知识图谱与深度学习的室内环境智能理解解决方案的各个算法的有效性。