家庭服务机器人是目前最贴近人类生活的机器人,能够代替或者辅助人完成生活方面的一些事务,逐渐成为家庭中必不可缺的一部分。视觉系统作为机器人的眼睛,已经可以出色地完成图像分类、检测、分割等任务,是机器人智能化的重要组成部分。语义分割作为场景理解的基础,是将图像场景分割成与人的视觉感知相一致的若干区域,使得机器人能够识别环境中典型物体,在机器人智能化中扮演关键角色。然而,由于家庭环境的复杂性,现有语义分割模型出现识别不够精准的问题,主要表现为对光照敏感和图像低级特征识别较弱,造成图像边缘分割不准确,进而影响后续的机器人抓取等相关任务。因此,良好的算法性能对于家庭环境下机器人智能应用具有重要的意义。本文针对家庭环境下全卷积网络(Fully Convolutional Networks,FCN)模型出现分割不准确的问题,在此模型基础上做出一些新的尝试,具体研究工作如下:(1)对语义分割模型FCN出现的图像低级特征识别较弱的问题,本文在研究图像分割相关理论与技术的基础上,提出利用超像素分割算法来提高语义分割模型图像低级特征识别能力和光照适应性,并对几种典型的超像素算法进行了研究和比较,分析SLIC算法对于改进语义分割效果的可行性。(2)针对超像素算法简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)因对图像亮度的敏感以及超像素数量的限制出现的局部欠分割问题,本文提出了一种基于HSL颜色空间和Sobel算子的超像素分割方法,该方法在SLIC算法的基础上,利用HSL颜色空间互相独立的三个分量和Sobel边缘检测算法的八连通域标记对超像素分割结果进行改进,提高了 SLIC算法的鲁棒性,使分割结果更贴合于图像边缘,为后续与语义分割方法相结合奠定基础。(3)针对语义分割模型FCN因对光照敏感以及图像低级特征识别较弱出现的分割不准确的问题,本文提出了一种基于超像素算法的语义分割方法。该方法在FCN模型的基础上,首先采用超像素算法对FCN模型得到的粗糙分割结果进行局部边缘处理,之后采用全连接条件随机场进行整体优化。该方法的准确性优于已有算法,在家庭环境下能够有效的分割出目标物体。(4)搭建家庭环境下机器人智能抓取实验平台,利用本文提出的语义分割方法并结合物体位姿估计方法对目标物体进行识别并抓取,通过进行大量真实场景下的实验证明本文所提出的语义分割方法在家庭环境下机器人抓取应用中的有效性。