当前,移动机器人避障方法存在着硬件成本高、算法过于复杂,特征匹配不准而难以有效感知障碍物等问题。相比传统的机器人避障算法,基于深度学习的自主避障算法,避免了手动提取障碍物特征算法中提取特征的繁琐,同时提高了图像处理的精度以及速度,这也使得移动机器人系统具有端到端的输出能力,使避障更加智能化,同时降低了硬件成本。基于此,为使机器人能够高效智能的进行避障决策,可靠灵活的避让障碍物。本文利用深度学习技术,设计一种移动机器人自主避障算法。主要研究内容如下:首先基于深度学习卷积神经网络,在Single Shot Multi Box Detector（SSD）网络框架的基础上,设计高效融合模块、多尺度检测模块和多感受野聚合检测模块,对三个模块进行合理组合,完成障碍物检测网络的设计,通过训练网络模型的MAP值达到80.43。接着在障碍物检测网络实现二维空间检测的基础上,结合双目立体视觉技术构建障碍物立体检测系统。该系统通过半全局立体匹配算法（SGBM）获取机器人行进环境下的深度图,利用障碍物检测网络得到障碍物二维空间下的位置坐标,并在深度图中索引得到该场景下障碍物的深度信息,完成对障碍物的立体检测。通过实验表明,该方法可以准确实现障碍物的在三维空间下的检测,且速度可以达到16.82FPS。之后,利用障碍物立体检测结果进行避障决策。根据障碍物检测网络输出的分类结果判断是否需要避障,如需要则继续判断向哪个方向进行避障;依据检测出的二维位置信息、双目立体视觉测出的深度信息,以及相应的几何关系计算出机器人避障时需要的转向角度。此外对障碍物检测网络进行优化,设计一个轻量化的特征提取网络替代VGG16网络,通过二者的对比实验,设计的轻量化特征提取网络相较于VGG16,在精度损失只有1.08%的情况下,计算量减少了85.27%,参数量降低了54.41%。以行人作为障碍物目标,制作障碍物数据集,完成障碍物检测网络的训练并对模型进行相关的性能实验,对实验结果加以分析;最后进行机器人自主避障实验,实验结果表明,在建筑物通道场景下,机器人通过自主避障算法能够做出准确的避障决策,及时的计算出避障角度,有效的引导机器人完成对障碍物的躲避绕行。