1、隨著計算機視覺技術和圖像處理技術的發(fā)展，目標識別技術被廣泛的運用在在工業(yè)、軍事、航空等領域，成為了自動控制、計算機視覺和模式識別領域的研究熱點。
　　特征提取是物體目標識別的重要環(huán)節(jié)，有手動提取特征和自動提取特征兩種方式。傳統(tǒng)神經(jīng)網(wǎng)絡是一種自動提取特征的方式，但是由于網(wǎng)絡訓練是全局連接導致訓練參數(shù)過多而產(chǎn)生過擬合。本課題中使用的深度學習算法則是一種分層次的自動提取特征的方法，它采用逐層訓練的方式，逐步提取物體從低層到高層的特征，這

2、種特征更有區(qū)分性。本文中首先通過物體的檢測、分割和基本的圖像處理獲得大量物體樣本，然后利用卷積神經(jīng)網(wǎng)絡（CNN）進行了訓練，最后對目標物體進行識別。通過對比，卷積神經(jīng)網(wǎng)絡對目標的正確識別率達到了95.9％，而傳統(tǒng)神經(jīng)網(wǎng)絡的準確識別率只有93.4%。另外，為了解決圖像識別中遇到的圖像的“二義性”問題，文中提出了雙深度置信網(wǎng)絡（DBN）的深度神經(jīng)網(wǎng)絡架構(gòu)，采取信息融合的方式，經(jīng)實驗可知采用雙DBN網(wǎng)絡的目標識別正確率較采用卷積神經(jīng)網(wǎng)絡提高到

3、97.3%。
　　同時，已有的多機器人編隊研究成果中并不能很好的解決復雜環(huán)境下的自適應編隊問題。本課題中將基于深度學習的目標識別方法與當下機器人研究熱點多機器人編隊進行結(jié)合，用于解決多機器人編隊過程中的避障和隊形變換決策問題。通過將機器人的編隊與其所處環(huán)境障礙物的分布結(jié)合起來，設計了一種多機器人離線訓練學習和在線實施目標識別的，自主避障和隊形變換的算法，即機器人首先能夠通過傳感器學習到當前所處環(huán)境遇到的障礙物，然后結(jié)合編隊算法進行