随着机器人的应用场景越来越复杂,对机器人的智能化要求也越来越高。对于视觉机器人系统,面对复杂的非结构化场景,需要有主动感知环境的能力。而视角估计作为主动视觉中的关键一环,其效果好坏极大影响机器人后续观察和操作的结果。本文基于深度卷积神经网络(CNN),对视角估计问题的相关技术进行了一系列的研究。1.为了解决CNN应用中需求的大量训练数据,本文基于CAD模型和3D渲染技术,利用编程自动化生成大量不同视角下的图像。并利用图像处理技术对虚拟图像进行真实化处理。通过应用不同的CNN模型进行训练,证明了CNN模型在视角估计问题上的可行性。2.视角估计问题与普通图像分类问题不同,其类别之间有着明显的空间距离关系。为了使CNN模型更适合视角估计问题,本文引入了度量学习,提出了一种基于视角的三元损失函数,将视角的空间距离作为监督信息来优化模型参数,帮助CNN模型考虑视角之间的空间距离关系,学到合适的特征空间,使其更适合视角估计问题。并通过实验证明了所提算法的有效性。3.为了更好的解决虚拟图像与真实图像之间的数据差异问题,使得在虚拟图像上训练的CNN模型可以直接应用在真实场景中,本文基于迁移学习的思想,提出了一个双通道模型,结合CNN算法和无监督的领域自适应算法,利用最大均值差异量化分析虚实样本分布间的差异性,并通过优化最大均值差异和交叉熵损失的方式在模型训练过程中完成视角估计任务和虚实数据迁移任务。此外,本文还通过手眼图像采集系统建立了一个较完备的真实数据集,通过在不同条件下进行实验,展示了所提算法在不同条件下的迁移效果,并证明了相比于传统图像处理技术的优越性。