随着人工智能技术和机器视觉技术的不断发展,为变电站巡检机器人自主导航技术提供了很多理论支撑和实践基础。其中环境感知是机器人自主导航技术的基础与关键。目前国内外学者对道路的环境感知技术研究主要针对具有明显道路标线或者具有明显边界标志的结构化道路,相关算法的应用较为成熟,但室外变电站道路宽窄不一,且路面长期受到雨水冲刷,使得原有道路的车道线模糊不清,已有的算法并不能很好地适用。针对上述情况,本文提出一种变电站巡检机器人自主导航方案,并做了以下研究:（1）搭建变电站巡检机器人移动平台,在此基础上获取变电站道路图像,并按照“主干道、支路、石头和背景”4种语义标签构建变电站道路图像数据集,针对模型训练过程中容易出现过拟合的情况,使用数据增强扩充数据集。（2）针对变电站道路边界信息不明且道路上阴影变换频繁,经典Deep Lab V3+模型难以实现变电站道路图像准确语义分割的问题,提出一种改进Deep Lab V3+模型的变电站道路图像分割方法。该方法在Deep Lab V3+模型的主干网络和ASPP模块中分别引入ECA-Sim AM注意力模块和CBAM注意力模块,提高模型特征提取能力,降低环境因素的干扰,准确提取变电站道路区域。在公开数据集Cityscapes上进行消融实验,改进Deep Lab V3+模型的平均交并比和平均像素精度为57.10%和67.52%,分别比经典Deep Lab V3+模型提升了6.21%和7.34%,说明注意力机制能够有效提高模型图像分割精度。在变电站道路图像数据集上采用对照组网络（UNet、PSPNet、HRNet和Deep Lab V3+）进行对比实验,改进Deep Lab V3+模型的平均交并比和平均像素精度最高,分别为85.26%和89.45%。（3）提出视觉为主、GPS定位为辅的自主导航方案。通过改进Deep Lab V3+模型提取道路区域,采用质心法提取道路区域的质心,使用最小二乘法拟合出导航线。根据导航线与参考点（视野中心点）的位置关系,计算导航线与机器人的横向偏差和航向偏差,根据偏差信息调整机器人移动姿态,以此实现视觉导航。考虑到视觉导航难以获取全局导航信息,提出GPS辅助视觉的自主导航方法;通过卫星地图设定机器人巡检路线,采用视觉实现机器人在道路上自主移动,当GPS检测到机器人到达转角时发出转向指令,从而为机器人提供全局移动引导。本文进行了变电站道路图像语义分割实验和自主导航实验。变电站道路图像语义分割实验结果表明,改进Deep Lab V3+模型能够有效降低环境因素的干扰,为巡检机器人提供准确的环境感知信息;自主导航实验表明,GPS辅助视觉的自主导航方法能够使机器人保持较高的移动精度,满足变电站巡检机器人自主导航需求。