为了使机器人更好地工作在以人类为中心的室内复杂环境中,需要发展服务机器人对周围环境语义的理解能力,这种能力要超过其传统的避障、自主导航以及建图的能力。基于对周围环境语义的理解,服务机器人还要对人类生活中常见的生活物品等进行感知和识别,以便于为行动不便的老人及残疾人寻找生活用品(及后续的视觉抓取、搬运、操作等)。本文针对以上问题,重点研究了服务机器人的区域语义建图方法、目标识别方法和室内目标搜索方法。首先,本文研究了基于深度学习的语义拓扑地图构建方法。针对室内不同场景的特点,本文使用深度卷积神经网络对其分别进行分类,并结合激光数据和视觉数据对语义区域进行估计,在二维栅格地图的基础上构建了语义地图层。进一步地,为了表达室内环境中的一些重点区域,本文在语义地图基础上,在室内的每个语义区域内定义一些有实际含义的功能区,并将各功能区以语义拓扑节点的形式插入到了语义地图上,从而构建了语义拓扑地图。然后,构建了基于深度学习的室内物体目标检测系统。该系统基于当前在目标检测领域比较流行的SSD(Single Shot Multi Box Detector)方法,该方法将边界框的输出空间离散化为一系列在每个特征图位置具有不同宽高比和尺度的默认框。在预测时,网络会预测每个默认框中的若干物体目标的类别和置信度,并对矩形框进行调整以匹配目标对象的位置和大小。其次,提出了基于语义地图的室内目标搜索方法。本文假定特定的物体种类位于室内某一语义区域内,机器人在执行目标搜索任务时,首先根据目标物体的标签与语义区域的对应关系确定要导航的目标区域,然后根据机器人当前所在语义区域与目标语义区域之间的拓扑关系,分别在语义层和栅格层规划路径。机器人在目标区域进行搜索时,根据机器人对目标物体的分布有、无先验信息分两种情况进行搜索,并在搜索过程中使用物体检测系统识别目标物体。最后,本文基于全方位移动机器人实验平台,分别就本文提出的区域语义建图方法、目标识别方法以及两种针对室内目标的搜索方法进行了实验,并对上述方法在实际环境中的实验效果进行了具体分析。