避障是智能移动机器人的基本功能之一。随着应用环境的多样化,要求移动机器人避障方案除了功能性外还要具有更高的通用性。受益于近年来移动平台和深度学习算法的发展,移动机器人的智能避障算法得以进一步研究,但常用的深度学习算法往往基于大量的标注样本进行学习,将其用于避障也存在无法快速适应未知环境的问题。对此,本文提出了基于单目视觉的小样本避障方法来满足其更高的通用性需求。本文主要采用基于度量的元学习方法来实现小样本避障,主要包括基于深度神经网络的特征提取、基于度量的决策两个阶段,使用基于任务的嵌套学习方法来训练模型的小样本学习能力,并将训练好的模型通过INT8量化进行后处理,结合饱和映射和非饱和映射将模型的权重和激活值的计算精度从32位浮点计算映射为8位定点计算来达到优化模型性能的目标。本文的贡献主要包括以下几个方面:1)提出了一种基于单目视觉信息的小样本避障方法,克服难以在每个环境下采集大量标注样本的问题,使移动机器人在不使用精确的方位和距离的情况下可以通过从少量样本中学习来快速适应未知环境;2)提出的方法框架能够在移动机器人平台上实现端到端的决策,在适应新环境的过程中无需重新训练或微调模型,便于部署、替换和移植;3)采用轻量化网络结构设计,并对模型进行训练后量化,保障方法能够应用于依托不同嵌入式平台计算的移动机器人,降低了学习和应用的成本。为了验证其有效性,本文实现了所提出的避障模型并将其部署到移动机器人平台上,在现实环境中和数据集上进行了充分的实验。在移动机器人及常见嵌入式平台上执行的实验结果验证了我们提出的方法是有效的并且模型表现出良好的性能。除了分析实验结果外,还讨论了所提出方法的优点、缺点和在自主导航系统中的应用潜力。