随着人工智能技术的快速发展，在不远的将来智能产品将走进千千万万普通人的生活中，行业内学者认为未来的50年内社会社会上一半的工作将由人工智能完成。在人口老龄化日益严重的今天，智能服务机器人进入普通家庭为老人、残障人士提供服务的需求越来越迫切。人工智能走进家庭使用工具无可避免，使用工具对人类来说是非常简单的能力，但对于人工智能就需要突破很多技术难题。本文研究家庭常用工具的功用性检测及应用，目的是赋予人工智能认知和使用工具的能力。本文从工具功用性快速检测和工具功用性在任务中的应用两个方面展开研究。　　首先，工具部件功用性作为认知工具的基本语义，其检测速度应在一般水平的设备上应能达到实时性要求。针对工具部件功用性检测速度实时性差这一问题，本文借鉴coarse-to-fine思想，提出了基于结构随机森林(Structured Random Forest，SRF)的工具功用性部件边缘检测方法。应用该方法快速检测工具功用性部件大致区域，然后在该区域内进行功用性检测，大大提高了功用性检测效率。　　其次，针对工具功用性部件边缘检测结果受噪声干扰问题，提出了一种阈值选取策略。通过评测部件功用性检测结果，评判不同阈值滤波的优劣，以此寻找出最优阈值。此方法有效增强了功用性部件边缘检测器抗干扰性能。　　再次，家庭常用工具种类多样、用途各异，机器人难以对其建立适用的语料库。针对该问题提出将工具部件功用性应用于工具分类，以辅助机器人对工具使用建立语料库。定义contain、grasp、cut、bound、support、scoop和wrap-grasp等7种工具部件功用性为家庭常用工具的功用性属性，将工具部件的功用性检测结果以求平均值的方式转化为工具的功用性属性值。以工具的功用性属性为特征学习工具字典，根据工具字典判定工具类别。　　最后，将工具的功用性属性应用于机器人工具选择任务中，以工具的功用性属性为依据给机器人提供工具选择和可被替代工具选择策略。