随着我国科技和智慧城市的发展,人们对各类室内场景服务机器人的需求量与日俱增,同时对机器人智能化水平也提出了新的要求。衡量机器人智能化程度的一个重要指标就是处理未知环境信息的能力。在实际应用中,机器人障碍物判定能力是一项重要指标,且场景障碍物解析中,语义信息与深度信息至关重要、缺一不可。但在复杂室内场景中,障碍物判定过程受物体种类多、易遮挡、光线变化大等诸多因素影响,依靠单一传感器数据无法实现准确且全面的障碍物判定。多传感器数据融合技术可以充分利用传感器数据组的互补性并去除冗余信息,逐渐成为障碍物判定领域的技术热点。为了获取更全面的障碍物的信息,得到更准确的障碍物判定结果,本文研究基于多传感器数据融合的障碍物判定方法,主要工作如下:第一部分对基于深度卷积神经网络的语义分割技术在障碍物视觉识别以及融合海量图像数据特征上的优势进行了总结,并针对在复杂室内场景障碍物解析中,RGB图像语义分割易受颜色、光照等因素影响,分割精度难以有效提升,和RGB-D图像语义分割难以平衡准确率和实时性等问题,提出一种基于卷积神经网络的RGB-D双模态数据融合语义分割网络AMBFNet（Attention Mechanism Bimodal Fusion Network）模型。实验结果表明,该方法既可以有效的利用跨模态的互补信息,又能很好的去除冗余特征信息,有效提升了在边界不清、颜色相近和易混淆等物体存在的复杂室内场景下障碍物语义判定结果的准确性。在SUN RGB-DNYU和NYU Depth v2（NYUDV2）两个公开数据集上测试的平均交并比（MIOU）分别达到了47.9%和50.0%。第二部分对基于多超声波传感器数据融合的障碍物位置判定方法进行了研究,根据超声波传感器点对点的测量特性,设计了立体转轴式数据采集结构,并根据该结构特点提出了基于极坐标系的栅格地图数据处理方法,然后利用模糊理论得到栅格状态的隶属度矩阵,再通过贝叶斯融合算法对地图数据进行实时动态更新,得到栅格状态的最优估计值的同时缓解了数据存储过程中的内存占用问题。实验结果表明,该方法可以很好的提高硬件资源的利用率,通过融合算法减小了硬件或环境因素带来的障碍物深度距离测量误差,提高了障碍物位置判定的准确性。最后,在Jetson Nano嵌入式平台中,综合本文提出的两种方法在障碍物语义识别和深度位置检测上的优势,突破单一传感器障碍物判定的局限性,在决策层次融合多方面、多角度的障碍物信息,提高了障碍物判定的准确性和全面性,实现了对障碍物信息的准确评估,为复杂室内服务机器人后续执行智能化任务提供良好的障碍物判定基础。