随着工业自动化水平的提升、人工智能的发展,机器人广泛应用于军事、地质探测、家庭、医疗等领域,机器人智能化导航在速度、精度、稳定性等使用要求方面也在不断提升。避障作为机器人导航中至关重要的一步,近年来受到很多研究者们的广泛关注,进行了大量基于机器视觉的机器人避障研究。超分辨率生成对抗网络与目标检测网络的融合在遥感图像检测等领域崭露头角,但有关超分辨率重建与目标检测融合的机器人导航避障却未曾报道。因此本文初步探索基于超分辨率生成对抗网络与目标检测融合的机器人避障,并对文中涉及的主要内容展开研究:（1）机器人导航避障总体架构及避障策略研究首先,设计基于深度学习的机器人避障总体架构,然后建立机器人运动学模型及对坐标进行转换分析;确立基于RGB-D的红外深度摄像机Kinect为机器人感知传感器,并分析Kinect的成像机理;最后利用已构建的地图,在A*全局路径规划下由DWA作为局部路径规划器结合障碍物检测网络进行避障策略研究。（2）基于SRGAN&YOLOv4的目标检测方法研究基于SRGAN生成器与YOLOv4级联网络构建机器人避障的障碍物检测系统:首先在分析SRGAN与YOLOv4网络结构及损失函数基础上,采用SRGAN的生成器和YOLOv4网络级联的方法进行网络的融合,对网络进行端到端的训练;然后根据目标检测及超分辨率重建指标评价融合之后的网络,并利用融合后的超分检测网络对真实环境场景进行图像测试;再验证级联网络对目标检测精度的提升及图像分辨率增强的有效性;最后将算法封装编译于ROS系统并建立新的级联网络节点。（3）基于深度学习的机器人导航避障实验首先,搭建基于机器人操作系统的硬件平台,对ROS开发工具及通信机制进行简要介绍;然后确立总体导航避障实验流程及局部避障实验流程;绘制基于ROS平台建立机器人导航模块与srgan&yolov4ros节点通信机制图;分析机器人避障导航代价地图及障碍物层更新;最后实验部分,验证系统的可行性和可靠性,通过采用Turtlebot2机器人在真实环境下进行避障实验,并对其结果进行分析。本文采用自适应蒙特卡罗和里程计组合定位来确定机器人的位姿,在已构建的地图上,由A*算法来执行全局路径规划,设计了基于SRGAN和YOLOv4网络级联的障碍物检测系统联合DWA进行局部避障。级联网络较YOLOv4的mAP值提升,在行人的检测精度方面提高了 12%、椅子的检测精度提高了 1.89%;与仅利用DWA动态窗口避障的传统避障方法相比,由于加入检测系统实时更新障碍物信息和局部代价地图中障碍物信息,因此减少了 DWA局部避障算法的速度采样空间,避免了 DWA对“C”型动态障碍物的绕行避障行为,有效节省了总路线时长。从而验证了利用深度学习来进行目标检测和超分辨率重建级联网络与DWA联合避障策略在机器人避障实际场景中的有效性。根据实验证明,本文所设计的机器人避障导航系统拥有精准避障的能力,具有一定的理论意义和应用价值。