近几年机器人行业研究报告显示,自主智能化、小型室内化成为未来机器人的趋势。与大型工业机器人相比,室内机器人具有可移动性、轻便、自适应性等特点。物体识别作为智能移动机器人独立完成高层次任务的基础,具有重要的研究意义,然而对于通用性识别的理论方法和实践仍处于探索阶段,没有形成固定的模式,因此,需要综合对移动机器人自身特点进行复杂室内场景下一般物体识别算法针对性的研究。为解决复杂背景干扰问题,利用Kinect深度信息与图像信息融合方法对兴趣深度区域进行分割,并对采集到的初始图像进行分析,并分别针对移动机器人由于运动或传感器抖动造成模糊效果与Kinect深度传感器由于红外光所产生的散斑噪声,进行了滤波方案比较,选取了效果最佳的维纳滤波与非局部均值滤波对图像进行复原。由于室内环境下目标物体常处于被遮挡状态,故而选择了具有遮挡鲁棒性的局部特征思想。为实现移动机器人实时的识别效果,选用了随机蕨分类器进行线下训练,并选择了高效的FAST特征点检测算法,通过重复度思想对其中最稳定的关键点进行了筛选。针对随机蕨分类匹配产生较多误匹配,通过二次匹配的方式进行误匹配的剔除。二次匹配过程中,选取了非均匀采样生成二进制描述符从而实现了算法对光照变化的鲁棒性的同时减少了算法数据耗费的存储空间,并通过Hamming距离进行二次匹配度量,之后通过RANSAC算法获取目标在场景中几何变换的单应性矩阵,实现了由局部特征到目标物体的识别。最后,通过三类测试对算法效果进行了较为全面的评估。选取了公认的鲁棒性测试图像序列集Affine Covariant Features进行了鲁棒性测试,选取了室内移动机器人采集得到的IIIA30图像集对算法的在线实时性进行了测试,并在实际室内环境中进行了移动机器人物体识别模拟实验,评估与实验结果显示,算法基本能够达到预期效果。