随着计算机技术、人工智能、传感器技术近几年的发展，无人驾驶，扫地机器人，送餐机器人等一系列的移动机器人应运而生，移动机器人开始慢慢的进入我们的生活中。由于医院环境的特殊性，医护人员目前的工作状态处于高度紧张的工作压力中，将移动机器人应用到医院环境下，帮助医护人员进行力所能及的搬运工作，使医生与护士从繁重单一的搬运工作中解放出来，从而更好的服务患者。为此，本文针对室内环境下的动态避障方法与策略进行研究，基于传统的避障方法，提出如下避障流程：基于深度图像的行人识别与跟踪，经过头像角度判断与路径预测，初步判断行人的运动轨迹，然后将行人的运动轨迹纳入移动机器人未来的路径规划中，从而更好的完成避障行为。具体工作如下：　　室内环境下的动态避障的基础是对行人的识别与跟踪，基于KinectV2传感器采集的RGBD图像对行人进行识别。通过RGBD图像提取出行人可能存在的区域，在彩色图像的同一区域下进行行人识别。基于HOG特征+SVM分类器对环境中的行人进行识别，提高了检测精度与运算效率。同时对于采集的彩色图像进行下采样处理，在每一层图像上对行人识别并打上时间戳。随后将下一次识别的样本与之前存在的行人模型进行orb特征匹配，匹配度高的则认为是同一行人。对于同一行人的离散位置点进行三次B样条拟合，得到行人过去一段时间的运动轨迹。　　通过一对多的SVM分类器对行人头像角度进行识别。由于在本文的应用当中，对于行人的预测是在3m~5m之间，图像特征提取效果很差，所以传统的人脸角度检测算法并不适用。本文采用机器学习中的SVM分类器，提取Haar特征，针对人的头像角度进行分类训练，然后对于检测出的行人框架进行头像角度分类，从而完成行人运动预测。　　在获得行人轨迹后，采用POMDP框架对机器人速度进行行为规划。原始的移动机器人运行速度是根据规划出来的路径点进行速度规划的，并不考虑路径点之外的环境影响，所以当行人从侧面突然出现在机器人面前时，会发生避让不及而造成的碰撞。对此，本文将环境抽象描述成马尔科夫随机场，这样当行人出现在规划区域时，可以提前加速或者减速，解决避让不及时的问题。从而更好的完成机器人的动态避障。　　最后在真实环境下进行实验，实验表明，本文所设计的动态避障路径规划方法在稀疏人群中的避障效果更稳定、智能，在任务行进过程中更加安全。