随着深度学习的产生和发展,利用深度学习研究机器视觉成为国内外学者研究的热点,其中室内环境场景识别与分类取得了巨大的进展。室内环境场景识别与分类技术的发展,对于家庭式移动机器人的后续研究具有基础性建设性的作用,对提高国民生活质量也有重要的意义。传统的场景识别与分类技术采用人工提取特征,存在着效率低,扩展性差,实时性差,准确率低等诸多缺点,因此,本文提出一种新的网络结构识别模型,设计实现了对视频图像的室内场景智能识别系统。本文在卷积神经网络的研究基础上,提出一种带有贝叶斯滤波和随机森林分类器的卷积神经网络结构Place-AlexNet,设计并实现了室内场景智能识别系统。图像获取模块,系统选用place205图像数据集中的11类作为场景识别模型的训练数据集,同时用视觉传感器实现测试图像数据的获取。图像预处理模块,对图像进行双线性插值归一化操作,将图像统一到227*227的大小;对图像进行去均值,将各个维度的数据都中心化到0,减少网络计算量,完成预处理。场景识别模型构建模块,以包含5层卷积层和3层全连接层的AlexNet为基础,在最后一层嵌入贝叶斯滤波实现视频图像的时间相关性场景识别功能;同时采用随机森林作为分类器提高对室内场景分类的准确率;利用网络结构的反向传播循环训练更新权重以减少误差,直至达到期望的结果。可视化显示模块,本文采用机器人操作系统的可视化软件Rviz,实现室内场景智能识别系统的可视化显示。本系统利用Python语言在Ubuntu平台上对室内场景识别系统进行程序的代码编写,经系统测试后,证明了利用Place-AlexNet网络识别模型对室内环境场景识别问题上的有效性和稳定性,且平均能够达到88.23%的识别正确率,实现了系统的预期要求。