针对煤矿井下巡检机器人环境适应性差、地形感知能力弱、仅采用基于质点的运动路径规划方法以及无法实现待测设备与已知煤矿设备信息匹配等问题,对基于机器视觉的轮式巡检机器人自主行走与目标识别的理论和技术进行了研究。分析了煤矿井下环境的特殊性,搭建了基于机器视觉的自主行走机器人平台,确定了机器人的机动方式,建立了运动学和动力学模型。通过仿真实验得到了在不同等级路面、不同行驶速度下机器人垂直方向的振动速度和加速度变化规律。这些数据为确保其机械结构设计的合理性和安全行驶工况参数的确定提供了依据。研究了机器人自主行走的关键问题。采用基于机器视觉的地形感知系统进行机器人定位与地图构建,即机器人的SLAM。利用Kinect近距离测量和激光远距离测量相结合的测量方法,获得地形的数字高程地图DEM,进而得到坡度、坡向、粗糙度、起伏度等地形信息,实现路面危险等级的划分,通过室外和野外实验验证了地形信息算法的合理性;建立了以路径长度及路面危险等级为指标的运动规划目标函数,采用Dijkstra算法的路径规划方法寻求最佳路径。通过仿真地形测试实验与运动学仿真实验验证了路径规划方案的可行性,并通过SINS/ZigBee组合定位方法实现了最佳路径的跟踪控制,运用无迹卡尔曼滤波算法来降低跟踪误差,并通过实验验证其有效性。建立了煤矿设备的识别与匹配模型,采用机器学习算法对模型进行训练和测试。通过卷积神经网络算法训练煤矿设备的识别模型,并在明亮环境、昏暗环境及设备重叠三种情况下对该识别模型的识别效果和YOLO3算法的识别效果进行了对比分析,结果表明两种算法的识别准确性都较高且相差较小,两种算法均可以应用于煤矿井下设备的识别;将巡检机器人相对于煤矿坐标系的三轴位置信息、三自由度角度、视觉相机的转角作为模型的输入量,将相机视野中设备序号作为输出量,形成数据集。运用BP神经网络和常规支持向量机两种算法对煤矿设备匹配模型进行训练和泛化能力测试。两种算法对比结果表明,基于常规支持向量机的煤矿设备匹配模型可以使用较少的训练样本就得到具有一定泛化能力的匹配模型,总体识别效率和准确率均优于BP神经网络模型。论文的研究成果将为煤矿井下巡检机器人的研发提供理论基础和技术参考。该论文有图77幅,表6个,参考文献147篇。