在人工智能研究不断推进和人口老龄化并存的背景下,对服务机器人智能化的要求越来越高,如何更智能地为人类服务成为家庭服务机器人研究领域关注的重要内容,其中,对家庭日常工具的认知要求机器人能够准确的识别和使用工具。针对家庭日常工具功用性认知准确性和实时性的要求,该文从家庭日常工具的功用性角度进行研究,分别基于机器学习算法对多种家庭日常工具功用性进行检测,主要研究内容有以下几方面:首先,家庭日常工具部件具有复杂的结构,基于形状、颜色的特征表示方法难以完整地表示特征,针对此问题,设计基于低秩矩阵恢复(Low-rank Matrix Recovery,LRMR)和局部二值模式(Local Binary Pattern,LBP)特征的稀疏表示算法。首先对进行低秩矩阵恢复的家庭日常工具数据提取局部二值模式特征,然后构建其稀疏表示模型,最后结合字典学习算法求解,实现对家庭日常工具部件的功用性检测和分类。其次,在功用性特征学习的基础上,设计基于深度置信网络(Deep Belief Network,DBN)和支持向量机的工具功用性检测算法。传统的支持向量机分类器不能直接适用于多种功用性检测问题,因此采用多分类支持向量机(Multi-classification Support Vector Machine,Multi-SVM)进行分类。首先用粒子群优化算法优化深度置信网络学习率,然后利用此改进深度置信网络对家庭日常工具数据进行特征学习,最后将学习得到的特征输入到多分类支持向量机中进行功用性检测。最后,家庭日常工具由若干功能部件构成,且各部件具有不同的几何形状特征,传统的特征表示与提取算法难以有效表征工具部件的功用性,针对此问题,设计基于深度置信网络和Softmax的工具功用性检测算法。首先利用深度置信网络对家庭日常工具数据进行特征学习,再在网络末端添加Softmax分类器进行识别。结果表明,采用此种方法能够实现较高的检测精度,同时检测效率也有所提升。