目前,煤矿巷道的巡检方法主要依赖于人工。但是,巷道内空间易聚集有毒气体、积水和落石,且存在顶板坍塌风险,这些危险因素都可能对巡检人员造成危害。相比而言,巡检机器人不仅能减少人员伤亡,解放人工劳动力,提升煤矿系统整体的安全水平,也符合推进矿山智能化生产的新需求。煤矿巷道地理结构复杂,无线通讯方式受限,视觉环境阴暗潮湿,这些不良因素为巡检机器人的行走和导航带来了极大困难。为增强巡检机器人对煤矿巷道环境的感知能力,本文面向巡检机器人,研究一种基于管道识别的视觉导航方法。实现准确识别管道的功能,是赋予巡检机器人视觉感知的关键前提,为提升模型的管道识别能力并丰富该方法的应用场景,本文开展了以下三方面研究工作:（1）考虑到管道具有狭长特性、且在图像中占比少,本文给出一种改进Deep Lab V3+的管道识别方法。首先,为保证模型识别效率,将模型的主干网络替换为轻量级的Mobile Net V2网络,大幅提升模型的预测速度;其次,针对膨胀率较大的空洞卷积层采样稀疏率高的问题,在ASPP模块引入密集连接结构,增强不同膨胀率空洞卷积之间的关联性,增加空洞卷积层对有效信息的利用率;再次,针对编码器网络在上采样过程中的重要通道特征丢失的问题,在解码器的浅层和深层特征中,引入ECA通道域注意力机制,突出更必要的通道特征;最后,搭建基于ECA-Deep Lab V3+的轻量级管道识别模型。基于管道图像数据集Mineline的实验结果表明,本模型具有较优的识别效果。（2）根据管道图像在视频中存在的时间、空间关联性,基于上述模型,进一步给出一种基于时空关联的管道识别方法。改进原模型编码器网络,通过引入Conv GRU模块,利用前文多帧图像的位置信息,预测当前帧图像。根据现场采集的视频流,构建煤矿巷道的管道序列图像数据集Mine-line2。并用于分析所提模型性能,实验结果表明,所提方法具有更佳的管道识别准确性和鲁棒性。（3）将上述管道识别方法用于巡检机器人的偏航角解算。经过图像预处理环节,获取经畸变矫正和纵向分割处理后的图像,采用上述管道识别模型,获得管道轮廓,并通过偏航角结算模型,求解偏航角,指导巡检机器人的航向调节。本文实现了煤矿巷道中的管道识别,并用于指导巡检机器人的航向调节,为其在复杂巷道环境下的巡检任务实现提供技术基础。论文有图53幅,表12个,参考文献80篇。