机器人对释放劳动力和提高人们生活水平有着不可替代的地位,已经成为各国科技发展的重要战略。但机器人在未知环境地图、障碍分布和无精准定位等状态下,存在着避障准确率低、效率低和不能覆盖工作区域等问题。而现有避障方法却需已知环境地图、障碍分布和精准定位等,不适用于未知复杂多变的环境;且避障算法复杂、适用限制多和采用的传感器价格高昂等,更严重制约了机器人的发展和普及。因此,本文系统地研究了机器人的视觉避障,提出以单目摄像头来模拟人类视觉避障的单目仿生视觉避障方法。此方法以深度学习为理论基础,用卷积神经网络获取图像语义特征进行避障;用生成对抗神经网络进行运动模糊消除,提升避障网络识别准确率和鲁棒性;并自制草地数据集和开发智能割草机器人,对提出方法进行模拟和实验验证,以检验避障方法的实用性和优越性。本文开展和完成的主要研究内容如下:（1）提出录频均匀采样提取法建立数据集。为了解决人工拍摄数据集成本高和工作量大等问题,提出录频均匀采样提取法,建立草地全生命周期数据集。为了提高数据集的建立速度,构建数据采集平台。为了保证数据采集的完备性,将草地分为三个阶段,来获取草地数据。为了填补草地运动模糊数据集的空缺,将运动模糊算法与草地图像数据相结合,来生成清晰图像与模糊图像相互对应的草地运动模糊数据集。（2）提出单目仿生视觉避障方法。为了模拟人类视觉避障能力,提出模拟大脑处理视觉信息的避障网络结构Grass Net,并用草地全生命周期数据集对其对比训练和测试。实验结果表明,与设计参考网络VGG-16相比Grass Net的识别精度提高了5.4%。为了提高避障网络的鲁棒性,提出运动模糊消除网络结构GDGAN,并用草地运动模糊数据集训练和测试。实验结果表明,将模糊消除网络与避障网络相耦合,使避障网络对模糊图像识别精度提高了4.8%。为了提高避障方法的实用性,提出局部路径覆盖规划避障策略,来拓展单目仿生视觉避障方法。（3）单目仿生视觉避障方法的实验验证。设计和开发智能割草机器人对单目仿生视觉避障方法进行实验验证。为了保证实验平台的稳定性和实用性,将智能割草机器人分为机体结构、避障系统和驱动系统三部分进行开发。为了验证避障方法的实用性、稳定性和优越性,将单目仿生视觉避障方法移植到智能割草机器人平台,与现有智能割草机器人的性能进行对比验证。