对于处在不同作业环境下工作的农业机器人而言,要完成所处场景下的自主导航就必须首先能够对其所处环境的地形分布进行有效地识别。常用的方法是利用视觉或雷达等传感器对所处环境的地形进行理解,以实现场景区域地形类别的识别。本文通过双目摄像机获取场景图像,引入超像素对场景图像进行分割预处理,利用无向概率图模型中的条件随机场(Conditional random field,CRF)构建场景模型,针对农业机器人导航场景区域地形识别进行了研究,主要研究内容和结论如下：为了提高农业机器人对导航场景识别的实时性,本文首先对场景图像进行了超像素分割,将得到的超像素作为场景区域地形识别的基本处理单元。结合相机的近视特性以及场景内容的距离分布情况,将场景图像划分为近视场、中距离视场和远视场。利用增量式样本整合策略和场景近视场像素的高度信息,将场景近视场中符合要求的超像素整合到地形样本数据库中,使其作为基于CRF的场景识别算法的地形样本特征。导航场景识别除了需要考虑识别的实时性之外,还需要兼顾场景识别的准确性。针对作业场景多为非结构化的,其具有不确定性。研究中利用CRF对场景超像素特征和邻域超像素的相互关系建模,使得基于CRF的场景识别算法能够实时有效的完成场景区域地形的识别,提高农业机器人对室内场景和自然环境地形类别信息的准确理解。最后,在自主设计的农业机器人平台上针对室内场景和类似农田环境的自然环境中进行了验证实验。通过验证实验发现,无论实验环境为室内场景还是室外自然环境,基于CRF的场景识别算法均能够完成农业机器人导航场景区域地形类别的有效识别。通过对实验数据进行处理分析知,增量式样本整合策略为基于CRF的场景识别算法提供了可靠的地形推理样本。本文研究中使用超像素作为农业机器人导航场景识别的基本单元,得到了连通的地形类别区域,且使得导航场景地形识别具有快速响应性。基于CRF的场景识别算法的研究也为农业机器人自主导航的实现提供了必要的理论准备和实时有效的场景识别方法。