家庭环境下,服务机器人执行抓取、搜寻物品等各项任务都与目标物品的类别和位置、重量等语义信息密切相关,物品的语义信息是机器人完成服务任务的基础,也是提高其智能化服务水平的关键影响因素。目前机器人大多采用基于深度学习的目标检测模型获取物品的类别与位置,但是大部分的检测模型很难直接应用到家庭场景中,并且利用检测模型仅获取物品的类别和位置对于机器人认知物品的支持是不足的。此外,仅仅基于深度学习的方法很难获取物品的重量、体积等语义信息。同时,如何将获取的语义信息进行高效且统一的表征与存储也需要进一步的研究。针对上述问题,本文对家庭物品语义信息的获取问题展开深入研究。首先基于深度学习的方法获取目标物品的类别与位置、物品间位置关系和属性等语义信息,然后以此为基础,结合网络爬虫和图像特征匹配的方法从网络中获取目标物品的先验语义信息,最后基于本体技术将获取的物品语义信息进行一体化表征与存储,从而完成家庭物品语义信息的获取任务。本文的研究内容和创新之处如下:（1）针对目标检测模型获取的家庭物品语义信息精度和种类有限,提出了家庭环境下基于深度学习的物品语义信息获取方法。基于YOLOv5和注意力机制构建了家庭物品检测模型,利用家庭物品检测数据集对该模型进行训练,使其更好地适应家庭场景,提高其对家庭物品的检测精度。基于Neural Motifs实现了面向家庭物品的位置关系检测,使机器人关注目标物品与周围物品之间的位置关系。基于多标签分类任务构建了物品属性检测模型,检测物品的颜色、形状等属性。最后通过实验对三个检测模型进行测试,实验结果表明这三个模型可以很好地适应提取家庭物品语义信息的任务。（2）为了获取家庭物品的重量、体积等难以通过深度学习获得的语义信息,并且充分利用互联网中经过人类检验的物品先验语义信息,提出了基于网络爬虫和特征匹配的物品先验语义信息获取方法。基于WebDirver模块设计了网络爬虫算法,利用关键词在网上搜索商品,提取商品特征向量与目标物品进行匹配,选出与目标物品最相似的商品并自动爬取和筛选商品的有效信息作为目标物品的先验语义信息。同时,为了让提取的特征向量更好地表征家庭物品,基于残差网络构建了特征提取模型,利用自制的小型家庭物品分类数据集对该模型进行微调,最后基于孪生网络结构对微调后的模型进行优化。在自制的家庭物品测试数据集对特征提取模型进行了测试,相同物品和不同物品的特征向量的平均余弦相似度分别为0.926和0.754,并与其他模型进行了对比,实验结果表明该模型的特征表征能力优于其他模型。（3）针对物品语义信息需要高效且统一的表征与存储问题,基于本体技术构建了物品语义知识库,实现了物品语义信息的一体化表征与存储,便于机器人对物品语义信息的利用。同时构建了物品特征向量库,以特征向量作为引导,快速获取知识库中物品的语义信息。并且基于Owlready2模块实现了知识库与外界的交互,设计了语义信息存储机制和获取机制,从而可以自动地完成物品语义信息的存储与获取。最后,通过实验验证了物品语义信息获取方法和存储机制的可行性。