目前,智能机器人在勘探、救援、物资运输、环境管理和侦查等多个领域均有着广泛的应用,构建一个可以实现快速路径导航与障碍物躲避的智能机器人道路行驶系统是智能机器人核心研究内容之一。现阶段,包括智能汽车在内,大部分智能机器人都采用将激光、雷达、超声波传感器和视觉相机等多种探测手段结合的方式来实现道路导航上的障碍物检测以及道路跟随等功能。然而,人类仅仅通过自己的视觉系统,即我们的双眼,就可以完成躲避障碍物及道路跟随等相关功能,因此智能机器人也应可以仅利用视觉传感器——摄像机,来完成障碍物检测与道路跟随等工作。与采用多种传感器相结合的方法相比,采用单一摄像机实现导航功能具有经济、轻巧、对能量的需求小和易检测等多方面优势。本文分析了基于神经网络的图像分类手段及相关应用现状,阐述了神经网络各层的功能和意义,提出了一个基于端对端深度卷积网络的视觉机器人控制算法,并设计了循线及避障系统,以对算法进行验证。该算法利用了从原始地图输入图像到方向的端对端的训练模式,达到了高水平的识别效果。为了证实算法及相应系统的有效性,本文设计循线与避障两个导航系统进行验证,结果表明,在循线试验中,训练错误率为3.29%,测试错误率为5.1%;在避障试验中,训练错误率为1.8%,测试错误率为5%,实现了非常优秀的图像识别效果。在实际行驶测试中,机器人可以准确地跟随室外的操场的跑道线及室内锡纸线,或精准地避开障碍物,从而证实了本文所提出的算法及相应系统的有效性。此外,由于传统神经网络在进行图像分类时,存在某些调整参数很难识别,或需要花费大量时间调整参数进行识别的图像对象,因此考虑到在循迹与避障应用中图像的连贯性等特点,采用双流卷积神经网络,利用原始图片与光流图片分别通过预训练的网络后再将评分结果进行融合的办法,将双流卷积神经网络与传统图像分类神经网络相结合,实现了对传统神经网络难识别图像的准确分类,从而证明了采用该方法可以有效解决传统卷积神经网络的图像分类错误问题,提高分类准确度。