场景理解（Scene Understanding）是指智能系统通过感知环境中的视觉、听觉、空间等信息，对所处物理或虚拟场景进行多维度认知的能力。它不仅包含对物体、人物、事件等基本元素的识别与定位，更强调对场景内语义关系、动态变化及潜在意图的深度解析。在具身智能领域，场景理解是机器人或虚拟代理实现自主决策和交互的基础，其核心挑战在于将离散的感知数据转化为具有时空连续性的情境化知识。
当前AI产品开发中，场景理解技术已广泛应用于智能家居的环境自适应、自动驾驶的实时路况分析、以及AR/VR中的虚实融合交互。例如扫地机器人通过识别家具布局与地面材质来优化清洁路径，本质上是将视觉识别（物体检测）与空间拓扑理解（路径规划）结合的场景理解过程。随着多模态大模型的发展，场景理解正从静态解析转向动态推理，未来将更注重对「场景叙事逻辑」的把握——即理解环境中人、物、事件之间的因果与时间关系。