助残机器人依托现代信息技术,能够为特殊人群提供更多人性化服务,在康复护理等工作中具有广泛的应用前景。在助残机器人的关键功能结构中,感知模块因可感知人机交互信息和环境信息而成为后续路径规划等工作的基础。但由于现有感知算法易受环境干扰或在速度与精度上相互冲突而限制了助残机器人的应用。本文以助残机器人感知模块为研究对象,借助深度学习理论,设计用于识别手势和分割盲道与人行道的网络,改进助残机器人感知交互信息和环境信息的性能,具体内容如下:1、针对现有公开手势数据集忽视背景等缺陷,构建了 一种新的手势数据集。该数据集的图像是从真实环境收集而来,借助labeling软件完成对图像进行标注,形成一个背景复杂、场景多样化的手势数据集,改善了网络鲁棒性差的问题。2、提出一种新型的手势识别网络。网络结构由三部分组成,基础网络用小卷积核堆叠策略减少参数量,加快了处理速度。同时构建特征金字塔注意力模块和特征重标定模块,放大对识别有用的手部信息,弱化背景特征的干扰,增强了网络在复杂环境下的识别准确度。3、设计一种新的盲道和人行道语义分割数据集,从而解决现有盲道和人行道语义分割数据集数量少,或只凸显目标区域等缺陷。本文借助labellmg对采集到的图像进行标注,从而使图像中的像素与背景、盲道和人行道中的某个相关联,增强了网络的泛化性。4、提出一种盲道和人行道语义分割网络。该网络利用深度可分离卷积构建编码器中的基础网络,大幅降低网络所需参数数量,提高分割速度。后续的密集连接的空洞空间金字塔池化模块和上下文特征融合模块有效增强了不同层级信息融合的有效性,提高了网络的分割精度。实验结果表明,所提的两种网络提高了对手势、盲道和人行道检测的性能,有助于提高助残机器人感知交互信息和环境信息的能力。