近些年来,随着深度学习技术的发展,使用深度学习来解决一些计算机视觉领域的问题成为了当前主流的研究方向。相比于传统的图像处理方法而言,使用深度学习能得到更高的精度,而且处理过程更为简单。然而,有些深度学习模型在移植到移动设备上时,要么精度较低,要么实时性较差。本文针对ROS移动机器人这一实际应用场景,基于深度学习在目标检测和姿态识别中展开研究,主要工作如下:针对原有的YOLOv5s目标检测模型中准确率较低的问题,本文首先对于YOLOv5s的主干网络进行改进得到YOLOv5-light。在此基础上,为了进一步提高改进后网络的准确率,加入了注意力机制模块,得到YOLOv5-light-attention。在COCO数据集上对改进后的模型检测的性能进行了验证,结果表明改进后模型的检测精度相比于原来的YOLOv5s模型的检测精度提高了3.2%。最后,利用改进后的模型在自建的数据集上继续训练得到一个检测手柄的目标检测模型,并在测试集上进行验证,实验表示改进后的模型的准确率为90.2%,实时性较强,适合在移动机器人这一场景上应用。针对原有的Open Pose姿态估计模型中推理速度较慢的问题,本文首先对于Open Pose的网络做了轻量化的改进,接着使用标签融合校正的方法,进一步提高了模型的准确率。在COCO数据集上对改进后的模型的性能进行了验证,结果表明改进后模型的精度与原有的Open Pose模型相差不大,但是检测速度提高了4倍。最后,利用改进后的模型输出的骨架图在自建的数据集上训练了一个姿态识别模型,并在测试集上进行验证,实验表示姿态识别模型的准确率为92.5%,实时性较强,适合在移动机器人这一场景上应用。本文将改进后的目标检测模型、姿态估计模型、姿态识别模型应用至基于ROS系统的机器人上,设计了一个目标检测及姿态识别系统。通过在室内环境下对其进行验证,实验结果表明,系统实时性及精度都较好,能够达到25FPS,在一些遮挡条件下,也能够很好的工作。