近年来,机器人及人工智能技术飞速发展,在诸多应用领域体现了巨大的应用前景。自主导航能力是移动机器人深层次应用的基础,而机器人的实际运行环境中往往或多或少的存在不确定因素,如地图未及时更新或临时出现的人或物体等,因此,机器人对环境的适应能力也至关重要。同样发展迅猛的深度学习技术,使机器人具备自主学习能力成为可能。本文研究了移动小车的避障和自主导航技术,其运行环境的二维示意图已知,且其中存在不确定的障碍物。本文的具体工作如下:（1）在研究ROS机器人操作系统的基础上,搭建Turtlebot2小车实验平台,包括底座、激光雷达、相机等,并实现Turtlebot2的底盘控制、相机图像的获取及处理。（2）运用图像处理技术,根据小车运行环境的二维平面图构建适用于导航的地图。研究小车的定位算法,包括马尔科夫定位、蒙特卡洛定位和自适应蒙特卡洛定位。研究小车的全局路径规划算法,包括Dijkstra算法和A*算法,并改进A*算法的代价函数。（3）针对环境中不确定的障碍物,基于深度学习技术,设计卷积神经网络模型并进行改进,搭建数据采集系统进行数据采集和数据集构建;使用数据集训练网络模型,并对模型进行泛化能力测试以及提取特征能力分析。（4）设计智能小车的自主导航控制系统,并使用Turtlebot2小车在实际环境运行,对其自主导航能力进行测试。实验结果表明,小车在全局路径规划的最优路线上行驶的同时,利用深度学习产生智能决策,躲避路线上出现的障碍物,顺利完成自主导航。