La seguridad general de un edificio se puede evaluar de manera efectiva a través de la inspección regular de las paredes interiores por vehículos terrestres no tripulados (UGVs). Sin embargo, cuando el UGV realiza inspecciones de patrullaje en línea según la ruta especificada, es fácil que se vea afectado por obstáculos. Este documento presenta una estrategia de evitación de obstáculos para vehículos terrestres no tripulados en entornos interiores. El método propuesto se basa en visión monocular. A través de la información ambiental obtenida frente al vehículo no tripulado, se determina la orientación del obstáculo, y la dirección y velocidad de movimiento del robot móvil se determinan en función de la salida de la red neuronal y la confianza. Este documento también adopta de manera innovadora el método de recopilación de imágenes del entorno interior basado en una matriz de cámaras y realiza la clasificación automática de conjuntos de datos al organizar cámaras con diferentes direcciones y longitudes focales. En el entrenamiento de una red neuronal de transferencia, con el objetivo de resolver el problema de que es difícil establecer el factor de tasa de aprendizaje de la nueva capa, se utiliza un algoritmo de murciélago mejorado para encontrar el factor de tasa de aprendizaje óptimo en un pequeño conjunto de datos de muestra. Los resultados de la simulación muestran que la precisión puede alcanzar el 94.84%. Se utilizan evaluaciones de un solo cuadro y evaluaciones continuas de evitación de obstáculos para verificar la efectividad del algoritmo de evitación de obstáculos. Los resultados experimentales muestran que un robot de ruedas no tripulado con una red neuronal de convolución de transferencia biónica como salida de comando de control puede realizar la evitación autónoma de obstáculos en escenas interiores complejas.