本文以机甲大师赛（Robo Master）的全自动哨兵机器人视觉系统为研究对象,在复杂环境和实时性要求下,对敌方步兵、工程、英雄等运动机器人的身份标识符在线识别并进行深度估计。本文主要工作内容有:1.在RGB颜色模型下分析身份标识符的颜色分布情况,修改RGB转YCr Cb颜色模型公式的系数,使用改进的YCr Cb颜色模型对图像进行预处理,凸显目标区域与背景区域之间的差异性。2.针对经典的一维最大熵阈值分割算法存在阈值偏低和无目标图像误分割问题,分析图像直方图,给出“修改算法起始点位置”和“判断图像单一程度得到阈值补偿值”的解决方法,成功解决了这两个问题;根据机器人身份标识符过曝现象,结合颜色特征和灰度值特征进行图像分割,有效降低相似颜色物体误分割情况。3.根据机器人身份标识符的几何特征和消除量纲的思想,提炼出九个目标特征,采用决策树方法选择六个重要特征作为BP神经网络的输入层;根据经验公式和实验结果,确定最适合本文目标的网络结构。实验结果表明基于BP神经网络检测身份标识符的方法在精确率和F1值上优于其他三种经典方法。4.使用卷积神经网络对身份标识符进行识别。针对Le Net5网络全连接层参数过多,影响网络收敛速度和学习能力的问题,结合深度可分离卷积得到改进的Le Net5网络。实验结果表明改进后的网络结构在参数量和学习能力上优于Le Net5。5.分析单目相机的成像模型,根据张正友标定法获得相机内参,使用PnP算法获得目标深度信息。实验结果表明PnP算法的精度满足本文深度估计要求。最后在复杂环境下对运动目标在线识别模块进行测试,实验结果表明该模块对运动目标具有较高的识别率、较强的实时性和对较好的鲁棒性。