自主移动机器人是具有自主行驶和自主规划能力的智能机器人，可以在特定环境中开展工作。在行驶过程中，机器人对于周围环境的感知能力是其得以自主稳定移动的重要条件，移动机器人必须具备识别并安全通过各种陌生地面的能力，因此地面分类成为当今研究的热点。当前广泛应用基于激光雷达和视觉的方法对地面进行识别和分类，但是容易受光照、地面覆盖物的影响，不易识别松软地面，所以本论文采用基于振动信号的地面分类方法。不同于视觉的非接触式感知，振动信号可以真实反映地面承载层信息，是对地面分类方法的重要补充。本文对地面分类方法的研究包含三个部分，首先是给出特征提取方法，其次是多分类相关向量机分类器设计，最后是基于贝叶斯框架的地面分类算法。　　本文设计了数据采集实验系统。移动机器人分别以5种速度在沙、碎石、草、土、沥青5种单一地面和1种过渡地面上行驶，通过安装在机器人四个轮臂上的三向加速度计和z向传声器来采集车轮和地面之间激发的加速度和声压信号，为后序地面分类算法研究提供数据支持。　　对原始实验数据进行预处理分段，分别使用快速傅里叶变换（FFT）和功率谱密度（PSD）特征提取方法对原始振动信号进行特征提取，获得特征样本集合，用于后序的地面分类算法的研究。　　针对地面分类本质上为多分类的问题，本文给出基于多分类相关向量机（M-RVM）的地面分类算法，得到地面分类结果的概率输出形式，方便下文采用基于贝叶斯框架的滤波算法对机器人行驶地面进行分类。在5种速度下分别基于 FFT、PSD特征采用M-RVM对5种单一地面和过渡地面进行分类。　　针对传统地面分类算法只基于单一观测样本进行分类的问题，考虑机器人行驶过程中连续观测样本之间的时间相关性，将分类历史信息引入到贝叶斯框架中来对当前时刻的地面进行预测，然后结合当前观测，对当前时刻的样本进行地面分类。给出了基于马尔可夫链的地面分类系统的状态转移模型。在5种速度下基于FFT、PSD特征以M-RVM为分类器分别采用粒子滤波和卡尔曼滤波算法对由5种单一地面构建的人工路径和过渡地面进行分类。　　相应的分类实验验证了所给算法的有效性。