随着科学技术的进步和工业的发展,许多化学危险用品在人类的生产生活中应用越来越广泛,在化工厂的生产制造过程中,羽流源发生泄漏的情况不少发生。当发生自然灾害和人为灾害的时候,人类参与亲临现场救援的情况也越来越多,这无疑会会使人力和财力造成巨大的损失。因此,在羽流源发生泄漏时,能够及时发现泄漏的羽流和进行定位,对减轻损失发生具有重要意义。本文的内容对羽流进行目标提取及自主辨识的工作,在前人的研究结果的基础上进一步进行羽流辨识研究。传统的羽流追踪仅运用了嗅觉传感器及风向传感器进行羽流寻源,本文提出应用视觉和嗅觉传感器相融合进行羽流寻源,减少了传感器的种类和数量,取得了更优辨识羽流源的效果。构建羽流和干扰物数据库,经归一化处理后,再将图像数据进行预处理,对羽流源提取灰度特征和形状特征。提取出的特征图像通过放入KNN算法、BP神经网络和SVM进行分类,得到的预测标签与已知的图像类别标签进行比较,得出测试集的正确率。但该方法在羽流进行特征提取和目标识别方面,测试集正确率不高且羽流等级难以精准分类。鉴于上述问题,本论文采用卷积神经网络,并将提出的改进卷积神经网络对羽流目标进行目标提取和辨识。在改进的卷积神经网络中,通过迁移学习的方法,并将SVM分类器替换原始的Softmax分类器,以提高实验测试集的正确率。实验结果表明改进卷积神经网络对不同类别羽流的识别精度较高,迭代次数减少。因此能够在更短的训练时间内实现更高的识别率,有良好的鲁棒性。通过搭建Simulink仿真平台对羽流源寻源过程进行模拟,并对运动过程参数进行分析,取得良好的应用效果。最后通过实验平台搭建进一步进行效果验证,实验平台采用TurtleBot移动机器人并搭建羽流传感器模块,进行羽流信息采集,通过上述方法对实验进行验证。此实验中通过视觉信息不能具体判断是哪种羽流泄漏,本文通过融合嗅觉传感器来采集羽流信息,对视觉的羽流寻源起到辅助支撑的作用,并取得良好的应用效果。