随着智能家居行业的快速发展,智能设备如雨后春笋般涌现出来,不断地满足着人们对优质生活需求。多功能家庭机器人有着独立性、便捷性和自主性等特点,能够一定程度上为家庭起到分担家务、安全防护的作用,深受广大家庭的喜爱和推崇。物体的识别和分类一直是机器人视觉领域的一个重要的研究课题,尤其是室内场景下的物体识别和分类是近年来发展的一个重要方向,传统识别方法很难找到优秀解决方案。本文利用LCCP^[1]分割算法,采用优化的卷积神经网络技术,在3D室内场景中进行室内物体识别,加快了物体的识别速度,提高了物体识别精度,主要工作:首先在预处理阶段,本文采用的是基于场景的3D信息场景分割方法,通过获取RGB-D数据库中室内场景样本的深度信息进行分割预处理,利用LCCP算法从复杂的室内场景中将物体独立分割出来,将分割后的图像归一化到256*256大小图像。其次在物体识别阶段,本文设计了一种9层的卷积神经网络来识别室内场景下的物体,以经典卷积神经网络为基础,在LeNet-5和AlexNet等经典神经网络结构的基础上通过改变网络结构、控制卷积核大小、选择激活函数和池化方法对网络进行优化。该网络结构包含4个卷积层,3个池化层,两个全连接层,并通过控制卷积核大小,Dropout等技术来有效预防过拟合问题。最后本文基于RGB-D数据集进行了实验,并根据实验过程对本文中的网络进行改进,通过在不同层数,不同大小卷积核的网络结构中调整参数,最终得到了最优结果。通过与传统的物体识别方法及其他多种神经网络识别方法作对比,验证本文的神经网络具有更高的识别率。