随着科技的进步,机器人技术得到快速发展。室内移动机器人由于广泛应用于家庭服务、医疗康复等重要领域,正受到越来越多的重视。为了完成实际应用中一系列复杂的任务,实现移动机器人的自主智能化,研究其视觉感知能力显得格外重要。物体识别作为视觉感知的基本问题,也成为室内移动机器人的基本任务。而传统计算机视觉领域中的物体识别算法,本身就面临着很多困难,对于处在复杂的室内场景中的移动机器人而言,面对的挑战将更多。因此,寻找一种快速准确并适用于室内移动机器人的物体识别算法显得很有意义。通过对主动视觉理论中的显著性检测的研究,以及近几年深度信息在计算机视觉领域的广泛应用,提出了一种结合BING(Binarized Normed Gradients,二值化梯度幅值)特征和场景深度信息的物体候选区域检测方法。首先通过BING特征快速获取物体候选窗口,再利用深度信息对大量的候选窗口进行筛选,留下可能性最高的少量候选窗,最后考虑到识别的准确率和效率问题,对物体候选窗口集进行一次扩充和分组。得到物体候选区域后,再通过具有在线学习和人工协助特点的随机蕨算法进行目标物体的识别。针对原始随机蕨算法面对目标物体被部分遮挡时识别效果不佳的情况,本文提出了一种“子区域”的概念,对原算法进行了改进,使得算法对部分遮挡的物体的识别有更好的鲁棒性。与此同时,修改了原算法中通过直接比较两个像素点的强度值来生成二进制串,进而获取蕨特征的方式,使得算法对纹理不丰富的目标物体的识别效果有了提升。选择了四个有代表性的物体进行实验验证了随机蕨算法改进后的识别效果。最后针对真实室内场景自建了数据集,在该数据集上评估了本文的物体识别算法。结果显示本文的识别算法在满足移动机器人实时性要求的基础上,取得了比较好的识别效果,同时通过对比加入物体候选区域检测前后的识别结果,验证了物体候选区域检测对于提高识别精度有很大的作用。