三维感知技术是机器人感知周围环境中三维信息的关键技术,是足式机器人进行路径规划等高级决策的基础。为了应对特殊任务需求和复杂作业环境,要求三维感知系统能够进行高速、高精度、高鲁棒性的场景深度估计。因此,本文针对足式机器人中的高速高精高鲁棒三维感知问题开展研究,设计了一套基于多传感器融合的三维感知方案,并提出了一种局部描述子算法。具体研究工作如下:（1）针对双目相机和ToF（Time of Flight）相机的配准问题,本文研究了一种基于2.5D图案的标定方法。该方法分别对双目和ToF相机进行内参数标定,使用ToF深度数据与RGB（Red Green Blue）图像进行外参数标定,实现了对双目和ToF数据的精确配准。该方法达到了0.21 pixel重投影误差,优于基于棋盘格张标定法。（2）围绕单一数据来源的深度估计算法无法在复杂场景精确测距的问题,本文提出了一种基于置信度的双目和ToF的融合算法CTSLF（Confidence-based ToF Stereo Local Fusion）。该算法首先对稀疏ToF数据进行双边引导上采样,然后对双目视觉数据和ToF数据分别估计置信度,最后通过局部一致性算法（Locally Consistent,LC）进行数据融合。该融合算法的平均误差达到1.05%,优于双目、ToF和经典LC方法。（3）针对足式机器人回环检测和Sf M（Structure from Motion）等任务中现有描述子鲁棒性不足的问题,本文提出了一种基于空间对抗干扰的动态概率加权描述子算法SAPNet。该算法通过生成具有几何空间变换的对抗样本,提高了网络对视角变换的鲁棒性;同时使用了基于动态概率加权的方法,使得网络更专注于决策边界的样本优化。本文提出的SAPNet在UBC的指标达到了0.78%,超过了当前其他描述子。在理论研究的基础上,本文研制了一套实时鲁棒三维感知装置,并将CTSLF算法使用CUDA进行实现,从而达到了1024×1024 pixels@120 fps的双目图像和62fps融合深度图输出。本文在多种任务进行了实验验证,该系统优于单一传感器和市面上常见的RGB-D（Red-Green-Blue-Depth）传感器方案,证明了该系统的有效性。