近年来,随着中国经济的提升,中国制造业得到了飞速发展,无论是劳动类型的制造业还是技术类型的制造业,其对全球出口的比例都在持续提高,已经连续11年排名第一。但中国制造业所需要的智能化力量还有所欠缺。本文希望通过智能小车对工件的识别运输从而提高制造行业的效率,进一步降低制造成本,使中国制造更具竞争力。智能小车是一个集诸多传感器与一体,能够感知周围环境并做出相关决策的一个综合控制系统。在工厂环境当中,需要对工件进行挑拣、装配和加工等一系列操作,之后还需要对工件进行运输。显然这是枯燥且繁重的一项工作,相对于人工方式去完成这些任务,完全可以让智能小车去替代人工完成这些工件的所需操作,这不仅提高了效率而且也极大的解放了劳动力,这也是我国向智能化转型所需要的。基于此,本文的主要研究工作如下:首先,从国内外关于智能车的研究现状出发,了解目前相关国家对智能车研究的进展情况,然后确定工厂环境下智能分拣运输小车所需技术,并对所需技术的发展现状进行了充分的研究与分析。其次对所需目标检测技术进行研究并对所选择的YOLOv4-tiny进行改进。首先分析了传统目标检测的检测流程并进行了相关的实验比对。然后对基于深度学习的R-CNN系列和YOLO系列进行研究,在对比两种算法的优缺点并结合工厂背景下所需条件,选择了YOLOv4-tiny,之后对该算法进行了改进。在用自行构建的工件数据集进行训练后,mAP提高了 3.22%。再次,对目前主流的通信技术进行了分析,通过对比各种通信技术的优缺点,在结合工厂环境下对通信技术的要求选择了 ZigBee。然后对ZigBee进行了深入研究,从ZigBee的节点类型、网络拓扑结构和协议栈的构成进行展开。最后对所选择的ZigBee器件进行实验,该实验表明数据可以通过ZigBee网络成功进行传输。最后进行了多智能小车的综合测试。将所有模块搭载到小车上进行实验,实验表明,智能小车能够检测出工件类型,然后根据工件类型进行对应工位点的运输;当有工件需进一步加工运输时,通过ZigBee将搭载到小车的定位设备进行位置信息共享,之后选择离待加工工件最近的智能小车进行运输任务。