随着硬件设备的不断发展与大数据的出现,使得人工智能技术成为未来移动机器人发展的重要方向,而如何将深度学习算法运用于移动机器人也成为了新的难点。一方面,尽管高计算性能硬件设备不断发展,其体积依然较大,会严重增加移动机器人的体积与负载;另一方面,深度学习算法准确率远高于传统算法,然而,其实时性却堪忧。为此,本文对将深度学习检测与跟踪算法运用于移动机器人来提高陆上移动机器人对近场浅水动态目标检测与跟踪效果进行研究,实现机器人智能化水平的提高。设计计算与运动分离的机器人控制系统结构。为减小移动机器人的体积与负载,同时,保证深度学习算法的实时性,采用远程传输技术设计了机器人硬件平台。对当前的远程传输技术进行比较,采用MJPG-stream进行机器人摄像头视频的传输,并采用Zigbee进行控制指令的传输。同时,基于C++、Python语言设计了机器人软件界面,实现控制指令的解析协议、远程视频的读取、数据存储等功能。提出基于激光雷达的地形信息感知策略,并设计障碍地形通过策略。为了保障移动机器人在陆上运动同时,对浅水动态目标检测与跟踪过程不被地形干扰,设计了基于激光雷达的地形扫描策略。通过机器人车轮转向舵机与二维激光雷达的联动,实现对周边三维环境信息的获取。并根据扫描信息,分析设计了障碍地形的判断准则以及不同分布障碍地形的通过策略。提出基于检测监督反馈的改进跟踪算法,并设计视觉平台搜寻策略。根据对移动机器人双目摄像头视野的分析,设计了视觉平台目标搜寻策略,并根据不同的搜寻结果设计了舵机转动策略。对比分析了目前的检测与跟踪算法,为保证检测与跟踪算法的实时性和准确性,选取了YOLO-V3和Siam-FC用于移动机器人的目标检测与跟踪,并基于IOU（Intersection over Union）概念设计了基于检测监督反馈的改进跟踪算法。利用搭建的机器人软硬件平台,对所述设计模块进行实验验证。首先,设计了相关实验验证了机器人平台视频与控制指令传输的有效性。然后,在平地与沙地,对移动机器人在陆上对地形扫描和通过策略进行了实验验证。其次,对浅水动态目标搜寻、检测与跟踪,采用单独实验和多模块结合实验,验证了其有效性。最后,将所有设计的模块进行结合,验证了本文系统的有效性。