卷积神经网络于1980年代被提出,被归类为深度学习神经网络中的一种,其为部分连接式的神经网络,将图像处理中的滤波器系数作为神经元间的权值加以训练。在物体识别比赛ILSVRC中打破了传统手法而备受人们关注。卷积神经网络的应用广泛,例如在高级驾驶辅助系统(ADAS)当中用于识别交通标识,在气象识别领域中以图像分类代替了以往所需的昂贵传感器。在人脸器官检测,行人检测等领域也逐渐代替传统手法。在人工智能领域,基于卷积神经网络的移动机器人避障技术,已经成功将来自单目摄像头的图像对应给对机器人的控制指令,该方法不仅训练方式简单,并且已经在轮式移动机器人的自动驾驶,避障等方面取得了很好的成果.然而当行走路径变得很长时,不得不出现将不同类别的图像全部分类为同一类的事情发生.因此本文提出将较长的行走路径划分为若干段,每段对应一个神经网络加以训练的方式,行走时可根据当前来自摄像头的图像识别出周围环境并切换至对应的神经网络.本文使用履带车机器人,在使用卷积神经网络对分段后的环境识别能力进行了实验验证。此外,在卷积神经网络算法改进方面,图像处理中的像素(pixel),引入体积元(boxel)的概念,将其扩充为3维数据集,并对所提出的3维卷积神经网络的权值矩阵的构建进行了详述。在卷积神经网络算法理解方面,将传统图像处理手法中的灰度化(rgb2gray),用于边缘提取的微分算子等用滤波器形式进行了表达,以实际例子指出卷积神经网络在图像处理的表达上具有一定完备性。并认为图像处理中的2值化处理与sigmoid激活函数相对应。对于采用Maxout函数作为激活函数时能够得到较高准确率这一现象进行了探讨,从图像处理的角度认为,过早的进行了阈值处理将造成图像信息的丢失。