场景重建与语义分析理解是计算机视觉、计算机图形学以及机器人学中的难点。随着工业和娱乐领域对数字几何需求的不断增长,对场景进行建模与分析理解比过去任何时候都更加重要。近年来深度扫描技术的快速发展使得场景的数据建模越来越便捷,由于这一技术的革新,场景的重建和语义分析技术经历了由简单到复杂以及由低维到高维的发展演变。另一方面,移动机器人经过多年的研究和发展,已经逐步走向实用化,在制造业、物流业、服务业等传统领域,已经有不少使用移动机器人提高生产效率或者替代人工作业的实例。在场景重建和语义分析领域,目前三维数据的获取几乎都是通过人工扫描完成的,而对于大规模复杂场景来说,人工扫描无疑是一项非常繁重的工作,耗费了大量的人力物力。此外,数据采集过程中由于缺乏主动式的分析和引导,往往导致采集的数据信息不完整,从而失去了建模与分析的价值。针对上述存在的问题,本文研究了未知环境下机器人主动式场景扫描重建与语义分析技术。在场景扫描重建方面,本文研究了未知环境下主动式场景自动扫描重建的方法。在场景语义分析理解方面,本文研究了主动式场景语义分割技术。在场景物体分析方面,本文研究了复杂环境下单个物体识别的方法。论文主要创新点包括:1.基于张量场引导的机器人自动导航规划:目前基于场引导的路径规划算法大多采用了向量场。但向量场由于存在局部极值点等问题,很难被广泛应用。本文首次将张量场引入机器人导航规划问题,提出了一种基于张量场引导的机器人自动导航规划算法。相比于传统的向量场（如势场）,张量场具有奇异点少、无局部最优陷阱等优点,生成的局部路径天然地具备避障的功能,而且平滑稳定。同时张量场良好的拓扑特性具有全局路由引导的功能,在整体上极大地提高了机器人探索场景的效率。在张量场的引导规划下,本文设计实现了一个机器人自动扫描系统,并在多个虚拟和真实场景中做了大量测试。实验结果表明本文方法的扫描效率显著优于以往的机器人自动扫描系统。2.面向高质量重建的相机3D扫描轨迹优化:相机的扫描轨迹对场景重建质量的影响极大。高质量的重建要求相机视角能够尽可能的垂直于观察区域的表面,同时还必须保证相机扫描过程的平稳。除此之外,由于相机是固定在机器人手臂上或者其顶部,相机的轨迹还需要满足机器人本体的运动模型约束。针对以上条件和约束,本文提出了一种相机3D扫描轨迹优化算法,该算法将各个约束项形式化成一个能量方程,然后通过最小化能量方程来求解轨迹。优化该方程的难点在于其高度非凸性,难以求得解析解,本文巧妙地将其转化成一个线性规划问题,实现了对轨迹的求解。优化得到的轨迹不仅保证了高质量的重建效果,而且在很大程度上提高了扫描效率。大量实验结果也验证了该算法的有效性。3.机器人主动式场景感知与语义分析:现有关于场景的语义分析的相关工作大多采用被动式处理方式,即基于离线采集好的RGBD图片序列进行分析。而这种方式极大地限制了对场景语义分析的性能。针对该问题,本文提出了一种机器人主动式场景感知与语义分析算法。该算法首先提出了一个新颖的增量式语义分割网络,能够对场景进行在线处理与语义分割。借助于该网络。本文引入了语义分割熵的概念,然后基于语义分割熵与几何重建熵来规划机器人下一个最优视点,引导机器人的观测移动。为了提高扫描效率,我们优化计算了视点之间的连续扫描轨迹。该算法在大型虚拟数据集上进行了测试,实验表明本文算法能够高效地分析得到场景高质量的语义分割结果,并且效果显著优于目前已有的几种先进算法。4.复杂环境下单个物体细粒度识别:复杂环境下单个物体的细粒度识别非常困难,目前已有算法大多采用单张图片识别的方式,对视角要求较高,识别效果往往不佳。针对该问题,本文提出了一个以物体细粒度识别为目标的3D注意力网络模型,该网络模型能够引导机器人进行连续多视角的数据采集,然后借助于多视角的数据综合判断物体的具体类别。为了充分利用和融合多视图的信息,本文采用了递归神经网络对多视图数据进行融合,有效地提取出了用以区分物体的关键性特征。为了验证本文算法的有效性,我们设计实现了一个机器人主动式物体识别系统,结果表明该系统能够准确地识别场景中的物体,完成对场景的语义解析。