近年来,随着人工智能、机器人技术的不断创新,越来越多的场景迫切需要移动机器人具备避障能力。机器人要实现智能化,自主学习是关键所在,有助于改善机器人的执行策略,提高机器人在环境中的适应性和可靠性。传统的避障算法对数学模型的要求较高,实际效果不好,计算步骤冗长,难以实现移动机器人安全、快速完成工作的需求。卷积神经网络可以从数据中自动的学习特征,摒弃了传统由人为获取特征的形式。将卷积神经网络通过部署好的模型应用于移动机器人中,可以让机器人实现机械到自主的转变,也让移动机器人系统具有端到端的输出能力。鉴于此,本文在深入研究控制领域中深度学习相关应用的基础上,对基于深度学习的方法实现移动机器人避障进行了系统的研究。本文的具体研究内容如下:首先,基于机器人操作系统（ROS）搭建移动机器人硬件和软件平台,实现图像显示、底盘驱动、远程控制等功能。其次,设计基于端到端的机器人避障算法。首先,针对Alex Net和SENet网络的优缺点,提出改进模型（多连卷积神经网络）,并对该模型的正向和反向传播过程做数学推导。然后基于深度学习框架Tensorflow,在Cats vs.Dogs、Cifar-10和Fer2013测试数据集上对多连卷积神经网络的分类能力进行了验证,实验结果表明该模型具有不错的分类能力。最后,用多连卷积神经网络训练采集好的避障数据集,并对保存好的训练模型进行样本测试以及泛化能力测试。网络以机器人所观测到的图像作为输入并直接输出模型所预测的转向指令,包括直行、右转和左转。最后,将训练好的深度学习模型移植到搭建好的移动机器人平台中,通过搭建ROS＿Tensorflow将之前训练好的模型和ROS机器人操作系统有效的结合起来。此外,通过从bag文件中回放数据并以柱状图形式将模型所预测的结果实时动态显示,来很好的验证模型的有效性。通过在实际避障场景中测试,验证模型的真实避障效果以及泛化能力。机器人在移动中所观测到的环境信息经模型计算后能较好地输出预测指令,在实际简单避障场景和复杂避障场景中避障成功率分别为95%和80%,在泛化能力测试场景1和2中避障成功率分别为65%和50%。