物体识别与定位技术是机器人智能化的核心技术之一,也是如自动驾驶等智能控制技术的基础,如何让识别更加准确、测量更加精准始终是相关领域的研究热点。现有方法在测量速度、精度等因素上尚需进一步完善,其成功将提高警用机器人在疫情、暴恐、抢险等重大公共事件中的智能化程度,是释放警力,避免伤亡的有效方法。故本文对此方向进行探索,提出了自己的物体识别和定位思路,并进行了相关的实验验证,全文主要工作如下:首先,对RGB-D相机成像模型做出介绍。对RGB-D相机获取的深度信息进行滤波的不同方法进行比较,在分析其优缺点的基础上验证一种混合滤波的方法,在深度信息的滤波实验中取得了较好的效果。其次,研究介绍了卷积神经网络的发展历程和基础网络结构及工作原理。对卷积神经网络模型中比较有代表性的网络分别就其实现的核心原理、技术创新做了分析比较。制作了相关数据集,选择Mask R-CNN网络进行了物体识别的实验,对深度相机进行预处理后,完成了本文提出的物体空间定位算法的实验。最后,在Turtlebot2移动机器人平台上配备了机械臂、微软的Kinect V2相机和英特尔的SR300相机,两种型号的RGB-D深度相机根据各自的优势分别满足移动机器人平台的自定位和机械臂抓取定位需求。完成机器人的移动定位实验和机械臂抓取定位实验,进一步验证了本文提出的物体识别与定位算法的有效性和可靠性。本文提出了一种物体识别与空间定位的方法,首先通过Mask R-CNN网络实现目标物体的像素级分割识别,然后应用深度相机获取目标物体精确的深度信息,进而根据反投影函数得出该物体的三维空间位置。通过实验对定位精度进行了误差分析,证明了思路的可行性,通过在机器人上的应用实验进一步验证了该方法的有效性。为警用机器人的视觉感知和抓取定位及其它智能控制领域提供了可借鉴的方法,具有较好的应用价值。