随着社会经济的发展和科技水平的进步,清洁机器人成为日常生活中减轻人类劳动负担的重要助手,常用的清洁机器人主要分为商用大场景（道路、商场、机场、园区等）和家用的家居环境下作业的两大类。对于家用的清洁机器人,技术相对成熟,已经有大量的上市产品,其中最为成功的是已经大规模普及的自动扫地机器人。尽管如此,实际上家用清洁机器人仍存在智能化程度低、清洁模式单一的问题。由于日常生活中垃圾的种类非常多,而且不同垃圾的特性差异也很大,而通常的家用扫地机器人外观扁平,体积较小,其通常只具备轮盘卷扫、擦除作业模式,因此其只能扫除灰尘、碎屑等小型物体,这大大限制了其垃圾处理能力。论文模仿人类在进行清洁作业时,通常会根据垃圾本身的特点采取不同作业模式的行为,提出了基于课程学习的垃圾层级化分类策略,通过得到垃圾形态、外观属性、具体类别来进行清洁作业模式的决策,并且搭建了一个简易的多作业模式的室内清洁机器人实物平台,对清洁机器人的作业机构、控制系统等部分进行了模块化设计,论文主要完成了以下工作:针对本文垃圾分类的目的在于便于后续作业模式决策问题,本文制定了垃圾的层级化分类规则,以及层级化分类属性与处置模式的对应规则,在此基础上收集并构建了实验用的垃圾数据集。为了能提取垃圾多个层级的类别,本文提出了基于反馈网络模型的课程学习方法,该方法从人类认知事物时由粗到细的思维模式出发,考虑了多个层级属性之间的相关性,通过基于课程学习的反馈深度网络模型,可以逐层级的学习到垃圾的形态、外观属性、具体类别,同时为了帮助网络在不同时期侧重于不同层级类别的学习,本文通过通道注意力模块来自主学习不同特征对垃圾不同层级概念划分的作用,强化有用的特征并抑制用处不大的特征,完成了特征的选择性表达。与直接对垃圾具体分类相比,该模型具有很好的可解释性。实验结果表明,本文提出的方法的识别精度优于常规的直接分类模型。最后,本文对室内清洁机器人进行了总体结构设计,完成了对作业机构进行三维模型的绘制和硬件实物的模块化设计、组装,最终搭建了室内环境清洁机器人实物平台,该平台主要包括环境感知系统、控制系统和作业执行机构,通过机器人原型实物开发,初步验证了室内多作业模式清洁机器人的可行性。