智能服务机器人已经走进了普通民众的生活,并将在未来扮演越来越重要的角色。在工作过程中,机器人将会面临多种多样的物体定位和识别挑战,开发实用的视觉算法和技术是服务机器人研究领域的核心研究方向之一。本文针对智能服务机器人需要完成的典型任务,提出了一套基于深度卷积神经网络的物体分类器,和一套基于多三维摄像头的物体定位与识别系统。本文主要做出了如下创新:服务机器人需要从很少量的训练数据中训练识别分类器。传统的基于手工构建的特征的方法鲁棒性不强;而在小数据集上从头训练深度卷积神经网络会发生严重的过拟合现象。为将深度学习应用在服务机器人系统中,本文结合了迁移学习和数据增强的方法,并采用了学习率规划,成功使用少量数据训练了较大规模的神经网络分类器。该分类器具有一定的鲁棒性,可以在变化的环境中工作,并在机器人上实时运行。为获得待识别物体的图片,本文还利用了三维摄像头提供的点云信息对物体图像进行了有效的自动分割。实验中,分类器的精度超过了之前的分类器。三维摄像头可以提供比二维相机更丰富的视觉信息,其中很多对于服务机器人的物体操作过程十分有用,但是在小尺度下获得物体精确而完整的三维结构并不容易。本文使用了多个预先校准好变换关系的三维摄像头从不同角度对物体进行观测,获得了较为精确和完整的物体点云。从点云出发,实现了精度较高的物体定位和特征提取。随后搭建了实验平台对定位和识别结果进行了验证实验。通过系统分析实验结果,说明了本文的方法可以在一定程度上补偿三维摄像头的系统误差。实验中机械臂对各种物体进行了成功的操作,表明此方法的精度可以满足服务机器人的要求。