冲击地压作为目前我国深部煤矿开采中最严重的动力灾害之一,钻孔卸压是防治冲击地压的重要方法。当前主要依靠工人操作钻机卸压,工况恶劣、劳动强度大、危险性高,研发防冲钻孔机器人对实现卸压区域无人化作业具有重要意义,而孔位识别是防冲钻孔机器人实现准确对孔并智能钻进的前提。因此,有必要对防冲钻孔机器人孔位识别技术进行研究,提升钻孔机器人的智能化水平。本文以煤矿井下卸压孔图像为研究对象,以卸压孔孔位识别为目标,通过改进Sin GAN网络解决了卸压孔图像在样本生成时多样性不足以及模型性能较差的问题,并利用构建的深度神经网络模型实现了钻孔机器人对卸压孔位置的准确识别,为钻孔机器人钻进系统准确对孔和智能钻进奠定了基础。论文的主要工作及研究成果如下:（1）结合防冲钻孔机器人的主要结构,分析了防冲钻孔机器人的钻孔工艺,结合防冲钻孔机器人孔位识别系统的具体需求,提出了防冲钻孔机器人孔位识别系统架构,并设计了钻孔机器人孔位识别流程。（2）利用搭建的钻孔机器人钻孔实验平台,获取了部分卸压孔图像,分析了深度学习在孔位识别过程中的样本需求,针对传统Sin GAN在样本生成时多样性不足以及性能较差的问题,通过图像尺寸调整、多阶段训练方式以及动态变化的迭代次数对传统Sin GAN网络模型进行了改进,并对改进后网络模型在样本生成过程中的有效性和适用性进行了实验验证。（3）针对现有深度学习目标检测方法对于小尺寸目标识别效果差的问题,提出了集成多尺度输入、自上而下多层特征融合的改进Faster R-CNN方法,并通过实验验证了所设计网络模型在卸压孔孔位识别任务中的可行性和优越性。（4）在河南大有能源股份有限公司耿村煤矿采集了卸压孔图像,并开展了卸压孔孔位识别实验,实验结果表明:利用本文改进的Faster R-CNN进行孔位识别,孔位识别的精确率和召回率分别提高了2.2%和6.15%,验证了所提方法的可行性与有效性。该论文有图36幅,表15幅,参考文献95篇。