在火灾、人质救援、核辐射等危险环境中,面向室内服务的机器人可替代人类进行自主行走、自主巡逻的功能。机器人室内行走的一个关键问题是：如何在结构化环境中对相邻空间的连接媒介(例如门、通道、洞)进行准确识别并基于识别结果完成穿越。目前已存在的识别方法如红外感应、激光扫描、图像边缘检测等手段采用框架模型进行识别,但由于以下两点原因导致检测识别常出现较高的错误率：(1)由于复杂室内环境中类似门的边缘特征场景较为常见,且容易出现物品遮挡,基于门的框架模型来进行识别(两竖一横结构)无法对门的一些隐藏特征的提取；(2)由于仅仅采用判断识别,无法对门的多姿态角度进行识别。因此,目前所建立的仅依靠视觉信息的室内导航的应用极为缺少。针对存在的问题,本文研究基于深度卷积神经网络的门识别,以提升机器人检测系统在干扰环境下的门识别能力及穿越能力。首先,采用自动化特征提取方法来避免建模过程中的特征丢失,以解决出现遮挡后识别上鲁棒性不足问题。第二,针对模型训练需求,采集、制作了门的训练数据集来完成系统模型的训练,设计多姿态识别方案,通过定位机器人所处的相对角度对门进行多姿态识别。第三,基于所识别的门图像,设计机器人距离估计方案,结合角度进行位置定位并给出控制指令,然后进行门的穿越实验以验证该系统中门穿越的可行性。最后,进行了敏感性分析,对门进行多比例遮挡实验,验证门识别方法的鲁棒性。结果分析显示深度卷积神经网络在门的识别上具有较大的优势,能够保证识别目标的可靠性与鲁棒性。通过本文的研究,一方面验证了深度卷积神经网络的识别模型在门的识别中的有效性,另一方面也利用门的识别信息实际完成了门的系统性穿越实验,为建立纯视觉的室内导航系统提供支持。