环境感知以及自主移动是移动机器人主要研究课题。传感器系统是获取环境信息的主要设备,机器人利用环境信息构建可以识别的地图并实现导航功能,这也是机器人自主执行其他任务的前提。传感器系统的环境信息获取能力在移动机器人系统中起着关键作用,单一的传感器难以充分的获取环境信息,多传感器信息融合可以提高机器人的环境信息获取能力。但传统的机器人SLAM系统只能获取环境物体的几何信息,不能识别出环境物体的语义信息,这使移动机器人的环境感知能力不能充分发挥。随着深度学习在图像理解上的研究取得突破性进展,机器人环境感知与深度学习结合成为研究热点。本文基于Turtlebot3 burger机器人、Jetson TX2开发板、Kinect V2相机、2D激光雷达,结合改进的A*算法、动态窗口法、贝叶斯估计数据融合方法、蒙特卡洛定位算法及Mask RCNN网络模型,研制了机器人建图与导航系统,对于提升移动机器人的智能化技术水平具有参考意义。针对移动机器人使用单一传感器探测环境障碍物信息不充分问题,本文基于贝叶斯估计数据融合算法,设计了2D激光雷达和RGB-D相机数据融合构建全局二维栅格地图系统。本文对系统多次实验研究,通过与单一传感器的移动机器人建图对比实验,证明了该系统能够构建含有低于2D激光雷达扫描高度物体信息的全局二维栅格地图,有效提升了建图精度。本文提出一种改进的A*算法,实现了全局路径规划效率的有效提升。改进的A*算法通过判断并删除与目标点相反方向的一个搜索节点,使传统A*算法的八邻域节点搜索降为七邻域节点搜索,提升节点搜索效率。经过实验表明,本文提出的改进A*算法使全局路径规划时间平均减少0.010991s,在全局路径规划效率上有更好的优越性。针对移动机器人动态环境导航难点,本文基于改进的A*算法和动态窗口法,设计了移动机器人动态环境导航系统。通过实验验证,本文设计的导航系统能够有效在动态环境下路径规划并导航至终点,导航终点的误差为0.2m,满足机器人在动态环境的导航任务。本文结合深度学习和智能机器人研究热点,提出在移动机器人系统中部署Mask RCNN网络模型,使机器人在执行建图和导航任务的同时识别室内环境物体的语义信息。经过实验验证,该模型能够有效识别室内环境物体的语义信息,对环境中各类物体检测的平均精确率AP在0.7以上,平均精度均值mAP为0.849,识别精度和鲁棒性良好。