近年来移动机器人的功能日益强大,使得交通、医疗和工业等领域均得到受益。由于现实生活环境的复杂程度日益上升,移动机器人需要应对来自光照、遮挡和尺度大小等因素的干扰,以至于人类对移动机器人的性能要求也越来越高。为使移动机器人能够更好的理解所处环境且为后续移动提供判断依据,基于移动机器人的目标检测方法研究成为当前移动机器人的一大热门方向,其研究的主要问题是通过改进目标检测算法来提高移动机器人的检测效率与鲁棒性。为此对街景环境中移动机器人目标检测系统进行设计及研究。主要通过对移动机器人、深度学习和目标检测的技术发展路程进行研究与梳理,了解相关知识并对当前基于移动机器人的目标检测方法进行了课题研究意义与研究背景的分析。介绍和分析当前基于深度学习的单阶段目标检测代表算法YOLO与两阶段目标检测代表算法Faster R-CNN,通过对两种算法优缺点的考量,选取Faster R-CNN作为移动机器人目标检测系统的基本算法。其次,通过对两阶段目标检测算法Faster R-CNN的实现,针对其现阶段检测性能上的不足,做出相应改进,首先使用深层线性卷积神经网络充分提取目标特征;然后针对难检测的车辆目标,在区域推荐网络引入难例挖掘思想使训练更加充分,并用聚类算法确定推荐框长宽比例;另外对于远处小目标检测问题,在目标区池化层引入双线性插值的RoI归一化算法;最后对比深度学习常用的参数优化算法,选取最适合本文的算法。分别对这五点改进策略进行了实验验证,证明其有效性与可行性。最后,本文设计并实现了基于移动机器人的目标检测系统,在北京建筑大学西城校区内通过单目摄像头采集图像,传入主控板进行识别,最后传送给显示器。针对遮挡和目标尺度小等问题进行了真实场景的实验工作,验证了移动机器人目标检测系统的可行性。