基于视觉的地形识别技术是机器人应用中的关键技术,是机器人实现自主导航和运动规划的基础。图像级地形识别技术使机器人识别出单一的地形环境,像素级地形识别技术使机器人感知复杂的周围环境。另一方面在算法应用到工业生产线上时,给从业者提供一个易操作,可配置的深度学习一站式服务平台有利于算法的快速落地。因此,本文着力于图像级地形识别技术和像素级地形识别技术的研究,实现机器人对周围环境的整体感知,并设计和实现基于深度学习的多任务云平台系统,帮助从业者对算法的快速开发和落地。首先,本文从图像级地形识别、像素级地形识别以及深度学习云平台三个方面概述了研究现状及存在问题,说明了本文工作的研究背景和意义。另外,介绍了深度学习和云平台的相关理论技术,为算法的研究和平台的开发提供理论支持。其次,针对野外地形复杂,环境因素多变导致的图像级地形识别精度低,推理慢的问题,提出了轻量级的Effer Net网络。Effer Net网络基于Efficient Net V2网络从金字塔卷积、注意力机制和网络轻量化三个方面进行改进,不仅在地形纹理特征上展示出强大的表征能力,网络推理速度也得到很大提升。Effer Net网络不仅在公开地形数据集GTOS Mobile上的识别精度优于其他的主流地形识别技术,也在DTD（Describable Textures Dataset）纹理数据集上取得较好分类效果,网络的泛化性能良好。然后,针对复杂场景下像素级地形识别对于图像边界分割效果差,精度低的问题,提出了Effer Deep Net网络。该网络利用Effer Net作为主干特征提取网络,结合Deep Lab V3+作为加强特征提取网络,兼具强大的特征提取能力、多尺度特征融合以及空间信息恢复能力,在Cityscapes数据集上分割效果更精细,网络更轻量。最后,针对深度学习训练平台上手难度高,使用成本高等问题,设计并开发了一款基于深度学习的多任务云平台系统。该云平台系统在整体的架构设计和技术选型上兼顾了平台的可扩展性和可维护性。在功能模块设计和实现上使云平台提供模型的配置、训练和预测一站式服务,并保证了系统的运行安全性。同时,在云平台系统上验证了Effer Net网络和Effer Deep Net网络在地形识别上的有效性,并通过功能测试和性能测试验证了云平台系统的完整性,良好的交互性和稳定性。