随着服务机器人在近年来的快速发展,机器人的相关应用算法也在不断的更新。目标识别作为其核心算法之一,在机器人应用中具有重要的作用。特别是其检测速度决定着机器人目标物抓取的效率。同时人工智能在近几年得到了快速的发展。尤其是以神经网络和机器学习为基础的深度学习方法正逐渐应用到各行各业中,在目标检测领域,深度学习相关算法的更新对检测精度的提升起到了重要的作用。近年来,目标检测的算法主要有两种:单阶段目标检测算法和两阶段目标检测算法。其中以单发多边框检测器(Single Shot MultiBox Detector,SSD)、快速多目标检测器(You Only Look Once,YOLO)系列算法为代表的单阶段检测网络,在检测速度上有很大的提升,但检测精度不高;而以快速区域卷积神经网络(Fast R-CNN)、Faster R-CNN等区域卷积神经网络系列为代表的双阶段检测网络大幅度提高了目标定位、分类的精度,但检测速度相对较慢。因此,如何平衡检测精度和检测速度,是深度学习相关算法需要改进的地方。本文是以两阶段的掩码区域卷积神经网络(Mask R-CNN)网络为基础展开服务机器人目标检测与分割系统的研究。Mask R-CNN是区域卷积神经网络系列的检测网络,检测精度较高,对于远距离的小目标有较高的检测精度,而服务机器人更注重检测、分割的精确度。因此,本文将在保证较高检测精度的前提下,通过修改网络结构来提升相关算法的检测速度。考虑到Mask R-CNN网络中的卷积神经网络提取到的特征图具有很高的维度,过高的维度会占用大量的计算内存,产生大量的计算任务。为此,本文对Mask R-CNN网络进行改进:将头部轻量化区域卷积神经网络(Light Head R-CNN)引入到Mask R-CNN网络中,增加分离大卷积层和去掉多余的全连接层;同时调整区域建议网络(Region Proposal Network,RPN)网络中“锚点”的比例,应用到Tenworflow框架下。以此节省内存空间及提高检测速度。最后,在带有KinectⅡ的家庭服务机器人平台上对改进的Mask R-CNN网络进行了测试。测试结果表明:与原始的Mask R-CNN相比,改进的Mask R-CNN网络在保证检测精度的同时,可以大幅提高算法运行的速度,检测时间缩短2倍以上。有助于后续提高服务机器人目标抓取任务的效率。