随着机器人硬件的发展和人工智能技术的兴起,以及日趋严重的社会老龄化问题,机器人走进家庭为人类服务,已成为社会发展的必然趋势。人们每天的日常活动会涉及各种各样的工具,对人类来说与自己熟悉的工具和环境进行交互是很容易的,但这依然是智能机器人发展领域的研究热点和难点。该文从机器人的功能认知方面展开研究,旨在赋予机器人工具识别以及环境认知能力。首先,构建鲁棒的底层特征是图像研究的基础,不同特征之间的融合在增强图像描述性的同时也会产生冗余信息。针对以上问题,该文提出了一种基于多种几何特征的特征优选算法。以特征组合为基础,工具的各个功用性部件为描述对象,ReliefF算法的特征选择模型为框架,选取部件的最佳特征描述组合。与传统的特征选择相比,该方法实现了不同特征提取方法的组合对比。其次,通过特征选择得到功用性部件的最佳描述,是实现工具整体有效描述的基础。针对机器人仍然无法实现对工具整体认知这一问题,该文提出了一种快速且对机器人硬件配置要求合理的工具分类模型。在特征优选的基础上,基于词袋模型构建工具整体的自底向上的认知框架。相比于传统对工具分类的研究,该文不再局限于工具的表观特征,而是给出了一种基于功能部件的定义方法。最后,家庭日常工具会分布在不同的室内功能区内,赋予机器人对环境的认知能力,是实现机器人快速准确的找到所需工具的重要前提。针对该问题,该文进一步提出了基于CLM模型(Codebookless Model)的室内功能区分类模型。该模型采用了规避码本的图像描述方法,对底层特征直接构建高斯模型,减少了量化误差,得到了图像的更加稳定的描述。