El entendimiento de escenas es una de las áreas de investigación más desafiantes en los campos de la robótica y la visión por computadora. Reconocer escenas en interiores es una de las aplicaciones de investigación en la categoría de entendimiento de escenas que ha ganado atención en los últimos años. Los recientes avances en el aprendizaje profundo y en enfoques de transferencia de aprendizaje han atraído gran atención para abordar esta área desafiante. En nuestro trabajo, hemos propuesto un enfoque de aprendizaje profundo de transferencia ajustado utilizando DenseNet201 para la extracción de características y un modelo de Máquina de Estado Líquido profundo como clasificador para desarrollar un modelo para reconocer y entender escenas en interiores. Hemos incluido técnicas de apilamiento de colores difusos, segmentación basada en colores y un algoritmo de optimización adaptativa de la Copa del Mundo para mejorar el rendimiento de nuestro modelo profundo. Nuestro modelo propuesto asistiría dedicadamente a las personas con discapacidad visual y ciegas para navegar en el entorno interior e integrarse completamente en sus actividades diarias. Nuestro trabajo propuesto se implementó en el conjunto de datos de profundidad de NYU y obtuvo una precisión del 96% para clasificar las escenas en interiores.