深度学习神经网络长期受到网络更新过程繁复、调参时间过长和实验分析困难等因素的限制,令其发展受到一定程度的阻碍。根据单隐层前馈神经网络的理论基础提出了另一个维度的解决方法——宽度学习系统。由于宽度学习系统的结构简单和网络更新迅速及其实现方法容易,能够应用于各智能领域的作业。但系统还存在神经节点的冗余性、不稳定性和低维度向量的适应性等问题。在智能机器人的视觉方向上,以神经网络为检测算法的目标识别系统是重点研究内容之一,在智能驾驶、无人机故障检测和建筑机器人等不同作业环境都有着巨大的研究意义。在较早的目标识别算法的基础上,其可以在不同的图像背景下提取不同维度的识别物特征,进一步提高检测准确性和算法的鲁棒性。因此,本文针对智能小车在不同目标环境下开展基于宽度学习的目标识别系统(Broad Learning system)的研究,提高检测精度。首先,本文通过AGV移动平台来获取待训练和检测的目标识别物图像数据,抓取不同角度和不同背景的识别物图像,对图片进行标注,根据归一化输入图像和数据挖掘等过程来扩充数据集,防止数据出现冗余性;另外,将数据输入共享卷积层进行特征图提取,维持图像的高、宽、通道数的参数不变,对所得特征图再做进一步的提取,获得新的特征图。进一步使用基于层次聚类的RPN预筛选算法提前筛选候选框中的目标识别物,减少系统的计算量和系统的运作时间,从而确定出特征图对应的区域图像;然后,将不一样规格的特征数据输入至ROI层(Region of interest Pooling)进行图像池化,从而令RPN图像的规格保持一致,以便于目标识别系统的正常运行;最后,将归一化图像输入至分类器模块,以得到待检测目标识别物图像的类别;采用框回归模块处理归一化特征图,并且采用NMS算法(Non-Maximum Suppression,非极大值抑制算法)改进候选框,将获取的坐标数据输入至智能小测的控制模块,达成识别物最终坐标的坐标转换,实现智能小车的目标识别。经过不同组别的仿真实验可知,该设计提出的目标识别系统不仅可以较为精准地进行识别物检测,还可以在不同环境下较为平稳地进行目标识别,可以用于实践作业中,具有一定的研究意义和应用价值。